通过深度学习支持的二维灰度超声波预测阿佐精子症患者的丸组织学
Jia-Ying Hu1, Zhen-Zhe Lin2, Li Ding3
1Department of Medical Ultrasonics, Institute of Diagnostic and Interventional Ultrasound, The First Affiliated Hospital of Sun Yat-sen University, Guangzhou 510080, China.
Asian journal of andrology
|October 4, 2024
概括
一种新的深度学习模型准确地预测丸组织结构从超声波图像在男性阿佐精子症. 这种非侵入性方法有助于规划精子提取手术,避免不必要的活检.
科学领域:
- 生殖医学 生殖医学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 丸组织学对精子管理至关重要,指导丸精子提取 (TESE) 并预测结果.
- 目前的方法依赖于侵入性丸活检,这具有风险,可能并不总是必要的.
研究的目的:
- 开发和验证一种深度学习 (DL) 模型,用于从灰度超声波图像中预测患有亚精子症的患者的丸组织学.
- 评估模型在病理中的精子存在 (SPP) 和病理中的精子缺乏 (SAP) 之间区分的能力,并对SAP的亚型进行分类 (成熟停止[MA]和仅塞尔托利细胞综合征[SCOS]).
主要方法:
- 追溯分析4357个丸灰度超声波图像的353个青精子男性.
- 在单独的超声图像或融合数据 (超声图像+丸体积) 上训练的DL模型的开发.
- 使用曲线下的面积 (AUC),精度,灵敏度和特异性的性能评估.
主要成果:
- 超声波图像上的DL在预测SPP与SAP方面取得了83.5%的准确性.
- 合并数据上的DL在SAP内对SCOS和MA进行分类时表现出卓越的表现,准确度为92.1%,AUC为0.979.
- 该模型在区分组织学亚型方面显示出高灵敏度和特异性.
结论:
- 深度学习提供了一种非侵入性方法,用于预测阿佐精子患者的丸组织学.
- 这种人工智能驱动的方法有可能优化TESE的规划,并减少对侵入性手术的需求.
- 基于超声波的DL模型有望提高男性不孕症的诊断准确性.
