在使用儿童和年轻人弱监督学习的三色组织学幻灯片上对肝纤维化进行分类

科学领域:

• 数字病理学数字病理学
• 医学成像分析分析 医学成像分析
• 机器学习在医学中的应用

背景情况:

• 通过皮肤进行肝脏活检以确定纤维化病阶段具有局限性,包括采样偏差和病理学家间的变异性.
• 深度学习 (DL) 提供了从医疗图像中客观地确定疾病阶段的潜力,即使在有限的手册注释中,弱监督的学习也显示出希望.

研究的目的:

• 评估聚类受约束注意力的多实例学习 (CLAM) 方法,用于分期肝纤维化.
• 为了评估CLAM在儿科肝脏活检中的三色全片图像 (WSI) 上的性能.

主要方法:

• 一项回顾性研究使用了来自儿科肝脏活检的217个三色WSI.
• 两位病理学家使用METAVIR和Isak系统分阶段纤维化,病例分为高阶段纤维化或低阶段纤维化.
• CLAM管道开发了组织学肝纤维化二元分类模型,通过AUC,准确性,敏感性,特异性和科恩的卡帕来评估.

主要成果:

• CLAM模型实现了高诊断性能,灵敏度高达0.76和AUC高达0.92,用于区分低阶段和高阶段纤维化.
• 模型的预测显示了与病理学家得分的中度至实质性一致 (Kappa: 0.57-0.69).
• 病理学家对METAVIR和Ishak评分的共识只是公平的 (Kappa: 0.39-0.46).

结论:

• 该CLAM管道展示了在儿童和年轻人中客观检测肝纤维化的潜力.
• CLAM有效地确定了区分纤维化阶段与WSI的特征.
• 这种方法可以减少儿科肝纤维化阶段的诊断变异性.