基于脏组织病理学的狼性炎治疗反应的多层深度学习预测模型

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 预测狼性炎的治疗反应对于预后至关重要,但缺乏有效的工具.
• 活检分析是了解疾病进展和治疗结果的关键.

研究的目的:

• 开发和验证深度学习模型,使用脏活检预测狼性炎的12个月治疗反应.
• 根据传统的临床病理学参数评估这些模型的性能.

主要方法:

• 深度学习模型被训练在数字幻灯片从血和素,周期性酸-Schiff,周期性Schiff-methenamine银,和马森的三色染色脏活检.
• 模型是使用245名患者队列开发的,并对71名患者的外部队列进行了验证.
• 主要结局是12个月后的完整治疗反应,由蛋白尿和估计的膜过率来定义.

主要成果:

• 单点深度学习模型实现了曲线下的区域 (AUC) 从0.813到0.862.
• 一个集成的多染色模型的AUC达到0.901 (内部验证) 和0.840 (外部测试).
• 多染色模型在预测治疗反应方面表现优于传统的临床病理学参数.

结论:

• 使用脏活检数据的深度学习模型显示,预测狼性炎治疗反应是有前途的.
• 鉴定到的关键预测特征包括三级淋巴体结构,球体样硬化,间歇性纤维化和管状缩.
• 为了在风险分层和治疗决策中进行临床实施,需要进一步的验证.