通过快速随机森林图像处理机器学习算法预先选固体微血管密度,加速识别异常性炎症性肌肉病症中修饰的血管网络
Alessandro Massaro1, Gerardo Cazzato2, Giuseppe Ingravallo3
1Department of Engineering, LUM University "Giuseppe Degennaro", Casamassima, Italy.
Diagnostic pathology
|January 31, 2025
概括
人工智能 (AI) 可以分析肌肉活检图像,以确定异常发炎性肌肉病 (IIM) 中的微血管密度. 这种人工智能方法显著减少了分析时间,并提供了一种可靠的疾病亚组歧视方法.
科学领域:
- 生物医学图像分析
- 在病理学中的人工智能.
- 血管生物学 血管生物学
背景情况:
- 异形性炎症性肌肉病 (IIM) 需要可靠的生物标志物来分组分类.
- 目前对IIM子组的诊断方法通常是耗时和复杂的.
- 在肌肉活检中识别微血管密度对于IIM诊断至关重要.
研究的目的:
- 评估人工智能 (AI) 用于在肌肉活检中自动分析CD31+血管网络.
- 评估人工智能驱动的微容器密度估计的时间效率和准确性.
- 探索将AI整合到IIM诊断的预选过程中.
主要方法:
- 利用快速随机森林 (FRF) 技术对来自IIM患者的84个肌肉活检图像进行了分析.
- 开发了一种轻量级,可解释的算法来计算CD31+内毛细血管像素百分比.
- 以人工智能为基础的分析与手动微容器选择进行比较,以达成协议和提高时间效率.
主要成果:
- 该FRF技术在识别微容器和估计其密度方面表现良好.
- 与手工方法相比,人工智能分析的分析时间减少了90%.
- CD31像素百分比足以准确估计微血管密度.
结论:
- 通过人工智能对CD31+血管网络进行分析,这是一种节省时间和准确的方法,用于评估IIM中的微血管密度.
- 这种人工智能方法有望改善IIM的诊断工作流程.
- 将AI整合到预先选中可以简化IIM子组的诊断过程.
