通过可解释的深度学习框架,对肝活检进行高效的幻灯片级分级
Bingchen Li1, Qiming He1, Jing Chang2
1Shenzhen International Graduate School, Tsinghua University, Shenzhen, Guangdong, 518000, China.
Medical & biological engineering & computing
|January 13, 2025
概括
这项研究引入了一种新的深度学习框架,用于通过肝活检诊断慢性肝病. 人工智能模型准确地对疾病指标进行分级,为临床使用提供更快,更易于解释的结果.
科学领域:
- 医疗图像分析 医学图像分析
- 计算病理学计算病理学
- 肝病学 肝病学是一种肝病学.
背景情况:
- 慢性肝病需要精确的诊断才能有效管理.
- 传统的组织学分析有其局限性.
- 肝脏活检分析现有的深度学习模型需要改进.
研究的目的:
- 开发一种新的深度学习框架,以提高肝脏活检的分级准确性和可解释性.
- 改善慢性肝病的诊断和治疗.
主要方法:
- 开发了一种具有多尺度特征提取和融合的补丁级分类模型.
- 引入了一个幻灯片级聚合框架,以整合本地组织学信息.
- 这些模型在1322个肝脏活检病例中通过各种染色方法进行了训练和验证.
主要成果:
- 幻灯片级模型实现了高F1得分 (0.9的炎症活性和脂肪酸) 和快速分析 (<1分钟/幻灯片).
- 补丁级模型表现出强的表现 (气球飞行F1得分为0.64,其他指标为0.99) 和可转移到公共数据集.
- 该框架显示了强大的可解释性.
结论:
- 拟议的分析框架为诊断和治疗慢性肝病提供了可靠的基础.
- 人工智能模型在临床环境中提供了实际的实用性,因为它们的准确性,速度和可解释性.
