探索使用集群分析与深度学习的糖尿病病变中微妙和新的病变变化

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 糖尿病病 (DKD) 是慢性病 (CKD) 的主要原因之一.
• 早期诊断DKD对于及时干预和改善患者结果至关重要.
• 通过传统方法,识别DKD中微妙的,早期的病理变化是具有挑战性的.

研究的目的:

• 将不变信息聚类 (IIC) 应用于球体图像,以早期检测DKD.
• 利用人工智能可视化技术 (Grad-CAM和GAN) 来识别DKD的新病理变化.
• 区分糖尿病和非糖尿病脏疾病基于球形态.

主要方法:

• 将使用IIC的45名患者的13,251张球图像集成到10个不同的集群中.
• 用t-分布式随机邻居嵌入 (t-SNE) 来可视化集群分离.
• 梯度加权类激活映射 (Grad-CAM) 和循环生成对抗网络 (Cycle-GAN) 用于病变识别.

主要成果:

• IIC成功地将图像集成到糖尿病占主导地位的 (集群0,1,2) 和非糖尿病占主导地位的 (集群8,9) 组.
• 格拉德-CAM在糖尿病群体的外毛细血管中发现了特征性病变.
• 循环GAN揭示了相对于曼空间较小的球状,是糖尿病病的关键病变.

结论:

• 用人工智能驱动的球图像分析可以识别糖尿病病变的微妙,早期的病理变化.
• IIC和先进的可视化技术为早期DKD诊断提供了一种新的方法.
• 这些发现可能有助于更早地检测和管理DKD,从而有可能减少CKD的流行率.