揭示使用原型学习方法识别膜病变的病理相关预测不确定性
Qiming He1, Yingming Xu1, Qiang Huang2
1Institute of Biopharmaceutical and Health Engineering, Tsinghua Shenzhen International Graduate School, Shenzhen, China.
Journal of biomedical informatics
|January 2, 2025
概括
这项研究引入了一种新的框架,用于分析深度学习模型中的预测不确定性,以识别慢性脏疾病中的球损伤. 该方法通过将预测与病理特征相关联,提高了病变识别的准确性.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學.
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 识别淋巴细胞病变对于诊断慢性病 (CKD) 至关重要.
- 深度学习模型与病变异质,叠加,进展和组织不完整性作斗争,导致预测不确定性.
- 分析病理学相关的预测不确定性对于理解和改善模型性能至关重要.
研究的目的:
- 开发和验证一种新的框架,用于与病理学相关的预测不确定性分析,用于识别膜病变.
- 研究预测不确定性和病变的病理性质之间的关系.
- 通过不确定性分析,提高深度学习模型在诊断CKD方面的性能.
主要方法:
- 提出了一个整合原型学习的框架,用于不确定性估计,病理特征相关性分析和重量重新分配的预测纠正.
- 深度原型,亲和嵌入和多维不确定性融合被用于不确定性估计.
- 基于专家和基于学习的方法被用来描述病变和组织,使得相关性分析.
主要成果:
- 该框架促进了高效的相关性分析,证明了预测和病理特征之间的强烈联系 (c指数>0.6,p <0.01).
- 预测纠正模块显著提高了病变识别性能,在各种指标上,准确性提高了6.36%.
- 斯皮尔曼和皮尔森的相关性分析证实了该框架的有效性.
结论:
- 开发的预测性不确定性分析提供了一种有价值的方法,用于评估脑膜损伤识别中的计算病理预测.
- 这种方法为估计病理相关的预测不确定性提供了实际解决方案,有利于算法开发和在CKD诊断中的临床应用.
