相关实验视频
Updated: Jun 7, 2025
08:53
Models of Murine Vaginal Colonization by Anaerobically Grown Bacteria
Published on: May 25, 2022
3.7K
深度学习模型在预测 nugent 评分以诊断细菌性阴道炎的性能
Naoki Watanabe1, Tomohisa Watari1, Kenji Akamatsu2
1Department of Clinical Laboratory, Kameda Medical Center, Kamogawa, Chiba, Japan.
Microbiology spectrum
|November 19, 2024
概括
深度学习模型在使用努根特分数诊断细菌性阴道炎方面表现出前景,达到与人类技术人员可比的高精度. 这种人工智能方法可以标准化诊断并改善医疗机构的可访问性.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的人工智能
- 微生物学 微生物学
背景情况:
- 细菌性阴道炎 (BV) 是女性普遍存在的全球健康问题.
- 纽根特分数,BV的标准诊断工具,依赖于手动解释阴道涂抹,导致观察者之间的变化.
- 对经验丰富的技术人员的有限访问在各种医疗保健环境中挑战了一致的BV诊断.
研究的目的:
- 评估深度学习 (DL) 模型在预测细菌性阴道炎诊断Nugent得分方面的表现.
- 评估DL模型在与人类技术人员相比提高诊断一致性和准确性的潜力.
- 探索人工智能驱动的解决方案,以标准化BV诊断,特别是在资源有限的环境中.
主要方法:
- 从日本 (2021-2023) 开发和培训使用1,510张阴道涂抹图像的DL模型.
- 由实验室技术人员对图像进行注释,将其分为四个Nugent分数类别.
- 在400×和1000×放大度下对DL模型性能与技术人员注释进行比较分析.
- 在106张额外的图像上对表现最好的DL模型进行优化和独立测试.
主要成果:
- DL模型在400×放大时达到84%的精度,在1000×放大时达到89%.
- 一个优化的1000×DL模型在独立数据集上达到94%的准确性,超过了92%的平均技术人员准确性.
- 在所有诊断类别 (91-100%) 的高级DL模型和技术人员之间观察到很高的协议率.
结论:
- 深度学习模型显示了细菌性阴道炎的准确和一致诊断的巨大潜力.
- 基于AI的Nugent得分预测可以减少观察者的变化,提高诊断可靠性.
- DL模型为改善全球BV诊断可访问性和标准化提供了一个有希望的途径.
更多相关视频
11:09Multiplex Detection of Bacteria in Complex Clinical and Environmental Samples using Oligonucleotide-coupled Fluorescent Microspheres
Published on: October 23, 2011
16.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.7K
