基于智能手机的机器学习模型,用于实时评估医疗脏活检
Odianosen J Eigbire-Molen1, Clarissa A Cassol1, Daniel J Kenan1
1Arkana Laboratories, 10810 Executive Center Dr. Suite 100, Little Rock, AR 72211, USA.
Journal of pathology informatics
|July 29, 2024
概括
一个新的机器学习模型使用智能手机图像来评估脏活检的充分性,实时识别皮质不足. 这种工具有助于诊断,特别是在专家病理学家稀缺的地方.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 数字病理学数字病理学
- 机器学习 机器学习
背景情况:
- 活检的质量对于准确的医学病诊断至关重要.
- 不充分的活检,缺乏足够的皮质,导致诊断错误和重复程序.
- 不足活检的比例不断上升,由于对实时充足性评估的获取有限而加剧.
研究的目的:
- 开发一种机器学习模型,使用智能手机图像来评估脏活检的充分性.
- 实时通过活检量化皮层的百分比.
- 为应对日益增加的不充分的活检和有限的专家访问的挑战.
主要方法:
- 从已故的捐赠脏中收集了747个脏活检核和智能手机图像.
- 通过病理学家对PAS染色部分的审查确定皮质百分比 (≥30%皮质=充分).
- 从智能手机宏观照片中对细分脏组织图像进行深度学习分类模型的训练.
主要成果:
- 该模型在训练数据上获得了85%的准确性,在测试集上达到81%.
- 在测试组中识别不充分样本的灵敏度为71%.
- 在测试数据集上,接收器运行曲线下的面积 (AUC-ROC) 为0.80.
结论:
- 一个机器学习模型成功地被开发出来,可以从智能手机图像中对脏活检的充分性进行分类.
- 该模型显示了实时活检评估的潜力,有助于人员有限的设置.
- 需要进一步验证和改进以优化临床使用的性能.
