通过深度学习模型弥合了基因病态和透镜慢性子宫内膜炎之间的诊断差距
Kotaro Kitaya1,2, Tadahiro Yasuo3, Takeshi Yamaguchi4
1Infertility Center, Iryouhoujin Kouseikai Mihara Hospital, 6-8 Kamikatsura Miyanogo-cho, Nishikyo-ku, Kyoto 615-8227, Japan.
Medicina (Kaunas, Lithuania)
|June 27, 2024
概括
慢性子宫内膜炎 (CE) 是子宫内膜的炎症,可以使用新的人工智能驱动的宫镜工具来诊断. 这种不太侵入的方法有助于在不育妇女中识别CE,提高诊断准确度.
科学领域:
- 生殖医学 生殖医学
- 病理学 病理学 病理学
- 人工智能在医学中的应用
背景情况:
- 慢性子宫内膜炎 (CE) 是一种由CD138(+) 子宫内膜层血细胞 (ESPC) 标记的子宫粘膜炎.
- 在不孕妇女中经常观察到CE,各种因素有助于其,包括无法解释的不孕症,输卵管问题,子宫内膜异位症,植入失败和反复流产.
- 通过子宫内膜活检进行传统的CE诊断是侵入性的,可能无法捕捉出整个粘膜图像.
研究的目的:
- 开发和验证人工智能驱动的预测工具,用于使用透镜图像对基因病态慢性子宫内膜炎进行预测.
- 建立基于透镜发现的CE的新型计算机辅助检测和诊断系统.
- 为怀疑患有慢性子宫内膜炎的不孕妇女提供一种不那么侵入性的诊断替代方案.
主要方法:
- 在ARCHIPELAGO研究中,利用档案的透镜图像来训练深度学习模型.
- 开发了模型来预测基因病学CE,这些模型是基于透镜检查期间的视觉发现.
- 该研究的重点是为CE检测创建计算机辅助诊断工具.
主要成果:
- 深度学习模型的构建是为了从透镜图像中预测他的病理学CE.
- 该研究旨在为CE诊断创建有效的预测工具.
- 开发的模型代表了用于CE检测的新型计算机辅助系统.
结论:
- 透镜与深度学习相结合,为诊断慢性子宫内膜炎提供了一种有希望的,不那么侵入性的方法.
- 在ARCHIPELAGO研究的AI模型有潜力显著受益于患有CE的不孕女性.
- 这种人工智能驱动的方法可能会提高慢性子宫内膜炎的诊断准确性和可访问性.
