开发一种深度学习算法,用于对炎症性肠病的Paneth细胞密度量化

科学领域:

• 胃肠病学 胃肠病学
• 计算病理学计算病理学
• 生物标志物发现发现

背景情况:

• 皮质帕内斯细胞 (PC) 密度的改变与诸如克罗恩病 (CD) 这样的炎症性肠道疾病有关.
• 量化PC密度对于疾病预后至关重要,但目前是耗时的,阻碍了临床工作流程.
• 深度学习 (DL) 为准确和高效的图像评估提供了一个潜在的解决方案.

研究的目的:

• 开发和验证一种基于DL的工具,用于量化叶组织中的PC密度.
• 评估DL量化的PC密度作为CD复发的预测生物标志物的有用性.

主要方法:

• 一个U-net双阶段DL模型被训练在病理学家注释的整体幻灯片图像 (WSI) 的阴茎组织.
• DL模型量化了PC数,密码数和PC密度.
• 专家病理学家使用RMSE和r2指标对手工量化验证了模型性能.
• 在CD和无CD患者队列中分析了PC密度,并评估了其与CD复发的关联.

主要成果:

• 与单阶段模型相比,双阶段DL模型实现了更高的准确性 (RMSE = 0.802,r2 = 0.748).
• DL算法在验证中表现良好 (RMSE = 1.148,r2 = 0.708) 与专家病理学家相比.
• 与非IBD对照组相比,在CD患者中观察到显著较低的PC密度 (2.99对比4.04PC/crypt).
• 在PC密度最低四分位数中的CD患者表现出明显较短的无复发间隔 (p=0.0399).

结论:

• 开发的DL模型可用于测量PC密度作为预测生物标志物.
• 这种人工智能驱动的方法有可能增强未来的临床实践,用于管理炎症性肠道疾病.