使用人工智能深度学习模型对大鼠脏慢性渐进性病 (CPN) 诊断进行比较分析
Yeji Bae1, Jongsu Byun2, Hangyu Lee3
1Department of Pharmaceutical Engineering, Life Health College, Hoseo University, Asan City, Republic of Korea.
Toxicological research
|September 30, 2024
概括
与YOLOv8和SOLOv2.2相比,面具R-CNN在老鼠病理图像中识别复杂病变方面表现优异. 这种深度学习模型显示了增强毒理病理学诊断的前景.
科学领域:
- 兽医病理学 兽医病理学
- 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:
- 人工智能 (AI) 和深度学习在毒理病理学中越来越多地应用于分析整个幻灯片图像 (WSIs).
- 对当前的AI模型来说,诊断涉及多种病理的复杂病变仍然是一个挑战.
研究的目的:
- 评估深度学习细分模型 (YOLOv8,Mask R-CNN,SOLOv2) 以确定三种代表性老鼠脏WSIs中的慢性渐进性病变.
- 选择一个最佳的初始AI模型来诊断复杂的病理病变.
主要方法:
- 三种深度学习细分模型 (YOLOv8,Mask R-CNN,SOLOv2) 在约2000只老鼠脏WSI中进行了训练和评估,其中包含带缩的管状骨,单核细胞透和素体.
- 用损失值和两个学习轮的平均精度 (mAP50) 来评估模型性能,以防止过拟合和测量精度.
主要成果:
- 面膜R-CNN在所有评估的病变中获得了最高的mAP50,这表明了卓越的检测和细分能力.
- YOLOv8和SOLOv2模型的准确性较低,难以对复杂的病变进行细分.
- 在第二轮学习中,损失值下降了,这表明模型在附加数据中得到了改进.
结论:
- 面具R-CNN被提议作为一个合适的初始模型,用于在毒理病理学中对复杂的病理病变进行细分.
- 通过增加输入数据的进一步培训,可以提高人工智能模型的准确性,以便精确的病理图像诊断.
