在移植活检中检测和分类膜病变,使用2阶段深度学习方法

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 急性全移植排斥诊断依赖于脏活检的组织病理学分析.
• 在活检中量化病变是耗时的,需要专门的专业知识.
• 需要有效的工具来支持移植拒绝诊断.

研究的目的:

• 评估深度学习用于检测和分类细胞在移植活检.
• 开发一个潜在的自动化活检选系统用于移植排斥.
• 将淋巴细胞分为正常,异常,硬化和淋巴细胞炎的类别.

主要方法:

• 在137张脏活检幻灯片上使用U-Net模型检测淋巴细胞.
• 使用MobileNetV2和VGG16模型,采用了两阶段的分类策略.
• 第一个阶段将质细胞分类为硬化或非硬化;第二个阶段分类为非硬化质细胞.

主要成果:

• 在U-Net模型中,球体检测得到0.90的子系数.
• 移动NetV2在两级分类中表现出卓越的表现.
• 获得高F1分数来分类正常 (0.85),异常 (0.91),硬化 (0.98),球炎 (0.92) 球.

结论:

• 深度学习,特别是使用两阶段策略,可以在移植活检中准确检测和分类质细胞.
• 这种方法有助于识别特定的病理,如硬化淋巴细胞和淋巴细胞炎.
• 人工智能系统提供了一个有前途的工具,用于在移植排斥评估中高效和准确的活检分类.