可解释的深度学习方法可以根据伤口组织中的原纤维预测伤口愈合的进展
Juan He1, Xiaoyan Wang2, Zhengshan Wang3
1Department of Computer and Information Science, Faculty of Science and Technology, University of Macau, 999078, Macau; Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, 518055, China.
Computers in biology and medicine
|April 8, 2025
概括
一个新的深度学习模型通过分析皮肤组织中的原纤维模式,准确地分类伤口愈合阶段,并识别延迟愈合. 这种方法增强了临床评估和治疗策略,以获得更好的患者结果.
科学领域:
- 组织病理学 组织病理学
- 计算生物学 计算生物学
- 皮肤病学 皮肤病学
背景情况:
- 原纤维动态对于伤口愈合评估,临床治疗和药物查至关重要.
- 分析原体空间模式的现有方法缺乏分层愈合期或检测延迟的标准.
- 需要一种基于原纤维的创伤愈合状态的新型分类方法.
研究的目的:
- 开发一种深度学习方法,使用组织学图像对伤口愈合时间点和延迟愈合进行分类.
- 通过识别驱动预测的组织区域来提高模型的解释性.
主要方法:
- 微调预训练的VGG16模型用于图像分类.
- 采用一个可解释的框架,将LayerCAM和Guided Backpropagation结合起来进行视觉分析.
- 使用皮肤组织的组织图像进行分类.
主要成果:
- 在五个类别的分类任务中 (正常皮肤,伤口皮肤在0,3,7,10天后) 获得了85%的准确性.
- 在三类任务中达到78%的准确性 (正常皮肤,0天的伤口皮肤,10天的糖尿病伤口皮肤).
- 可解释的框架准确地定位了没有像素级注释的原纤维,证实了基于原区域的分类.
结论:
- 深度学习方法准确地预测伤口愈合时间点和使用原纤维特征延迟愈合.
- 该模型提供视觉解释性,增加临床医生对其预测的信心.
- 这种方法承诺更精确,更有效的伤口治疗实践.
