自动化的·维莱布兰德因子多重图像分析,改善·维莱布兰德病的诊断和分类

科学领域:

• 血液学 血液学 血液学
• 计算生物学 计算生物学
• 医学诊断 医学诊断 医学诊断

背景情况:

• ·威尔布兰德因子 (VWF) 多元分析对于诊断和分类·威尔布兰德病 (VWD) 是至关重要的.
• 目前的方法受到评价者之间的变化影响,需要专家解释.
• 开发自动化解决方案可以提高诊断的一致性和效率.

研究的目的:

• 开发和验证基于深度学习的自动化图像分析管道,用于VWF多元模式分类.
• 为了提高VWF多元分析的可复制性和效率.
• 与专家人类解释相比,评估自动化系统的准确性和一致性.

主要方法:

• 在514个VWF多元凝图像 (6168个实例) 上训练了一个YOLOv8深度学习模型,用于12个类型的模式分类.
• 图像预处理包括直方体平衡,对比度增强和马校正.
• 该模型在独立数据集上进行了验证和测试,由两位专家评价提供了基本真相.

主要成果:

• 自动化系统与专家1相比,准确率为91%,与专家2相比,准确率为87%.
• 在模型和专家之间观察到高的互评分协议 (κ=0.845与专家1, κ=0.773与专家2).
• 该模型在常见模式 (F1 > 0.93) 上表现出色,但在罕见亚型上准确性较低.

结论:

• 使用深度学习的自动VWF多元分析为VWF多元模式分类提供了高精度和标准化潜力.
• 这项技术可以提高专家审查的效率,简化实验室工作流程.
• 这种方法可能有助于扩大对VWF多分子测试的访问,有助于VWD诊断和管理.