基于深度学习的卷积神经网络模型的构建,用于在患有慢性子宫内膜炎的不孕女性中自动检测流体透性子宫内膜微聚体

科学领域:

• 生殖医学 生殖医学
• 人工智能在医学中的应用
• 妇科病理学 妇科病理学

背景情况:

• 慢性子宫内膜炎 (CE) 与不孕症有关,并通过侵入性子宫内膜活检进行诊断.
• 子宫内膜微聚体 (EMiP) 是与CE相关的歇斯底里学发现.
• 目前CE的诊断方法可能是侵入性的,需要专门的病理学.

研究的目的:

• 开发一种对CE的不那么侵入性诊断系统.
• 构建基于深度学习的卷积神经网络 (CNN) 模型,用于自动检测EMIP.
• 评估CNN模型在从液体体透镜图像中识别EMIP的性能.

主要方法:

• 一个in silico研究利用208名不育妇女的档案液体透镜 (F-HSC) 图像.
• 在F-HSC图像的子集上开发和训练CNN模型.
• 评估CNN模型的诊断性能与经验丰富的妇科医生使用灵敏度,特异性,准确性,精度和F1分数.

主要成果:

• 该CNN模型实现了高性能指标:93.6%的灵敏度,92.3%的特异性,92.8%的准确性,88.0%的精度和0.907的F1得分.
• 对于CNN模型的ROC曲线下的面积 (0.930) 与经验丰富的妇科医生 (0.927-0.948) 的面积相当.
• 该模型表现出在F-HSC图像中识别EMIP的强大能力.

结论:

• 基于深度学习的CNN模型可以有效地识别液体透视图像中的子宫内膜微聚体.
• 这种人工智能工具对开发慢性子宫内膜炎的计算机辅助诊断系统充满希望.
• 这些发现表明,使用人工智能驱动的图像分析,有可能对CE进行不那么侵入性诊断.