一项可行性研究,使用细胞类型和组织区域自动分类的乳病的定量和可解释的组织学分析

科学领域:

• 胃肠病学 胃肠病学
• 计算病理学计算病理学
• 人工智能的人工智能

背景情况:

• 组织学评估对于诊断和管理乳病至关重要.
• 目前的评分系统,就像修改后的Marsh (Marsh-Oberhuber) 评分一样,患有不良的病理学家间协议.
• 需要在乳病中进行客观和可重现的组织学表征.

研究的目的:

• 利用人工智能开发一种全自动化,定量化的方法,用于使用人工智能对乳病的组织学表征.
• 创建一个卷积神经网络 (CNN) 模型,能够识别十二指肠活检中的关键组织学特征.
• 评估AI衍生特征与已确定的临床评分之间的相关性.

主要方法:

• 卷积神经网络模型被训练在血素和素染色的十二指肠活检图像上.
• 该模型被训练来识别细胞,组织区域和人工物,包括内皮细胞淋巴细胞和区分小从隐藏表皮.
• 使用斯皮尔曼等级相关性来评估提取的特征和修改的马什分数之间的关系.

主要成果:

• 该自动化模型成功地识别和区分了病相关的关键组织学特征.
• 状缩的测量显示,与修改后的马什得分有很强的负相关性 (r = -0.79).
• 标志着密码增生症的测量结果显示,与修改后的马什得分有很强的正相关性 (r = 0.71).
• 该模型确定了有效区分乳病与正常十二指肠的特征.

结论:

• 一个新的,可解释的,完全自动化的AI模型提供了对乳病的精确组织学特征.
• 这种方法与修改后的马什分数有很强的相关性,为诊断和管理提供了潜在的改进.
• 人工智能工具可以促进临床试验中的客观评估和对乳病治疗反应的监测.