深度学习模型用于评估急性管损伤的组织病理学

科学领域:

• 腎臟病學 (nephrology) 是一種醫學.
• 计算病理学计算病理学
• 人工智能在医学中的应用

背景情况:

• 急性损伤 (AKI) 经常是由管状损伤引起的,需要准确的病学诊断才能有效治疗.
• 目前对AKI的诊断方法依赖于手动组织病理学评估,这可能是耗时和主观的.
• 有限的研究已经探索了深度学习以协助AKI的组织病理学诊断.

研究的目的:

• 开发和评估基于深度学习的细分模型,用于识别急性管损伤中的四个关键结构.
• 通过组织病理学图像来分类管体特异性损伤,包括体,健康管体,死管体和带有体的管体.

主要方法:

• 开发了一个利用DeepLabV3架构与MobileNetv3-Large骨干的细分模型.
• 该模型在45个整张幻灯片图像上进行了训练,包括400个补丁和27,478个注释.
• 该模型被应用于PAS染色的小鼠脏样本在西斯普拉丁治疗后.

主要成果:

• 细分模型实现了高性能,在欧盟 (IoU) 上的整体交叉点为0.7968,子系数为0.8772.
• 该模型在细分质细胞 (迪斯:91.78%),死管 (迪斯:88.08%) 和健康管 (迪斯:87.37%) 中表现出很高的准确性.
• 有造的管道显示子得分为83.64%,这表明所有类别的表现都很好.

结论:

• 深度学习模型可以准确地识别和细分与急性管损伤相关的组织病理结构.
• 开发的模型显示了提高病理评估效率和准确性的巨大潜力.
• 这种方法为AI在诊断和管理急性损伤中的应用提供了新的机会.