深度学习用于在带的胎儿炎症反应诊断
Marina A Ayad1, Ramin Nateghi2, Abhishek Sharma3
1Northwestern University, Department of Pathology, Chicago, IL, USA.
Placenta
|April 28, 2025
概括
深度学习模型从带组织学图像准确诊断出胎儿炎症反应 (FIR),表现优于在一般图像上训练的模型. 这有助于病理学家,并可能有助于识别患有败血症风险的婴儿.
科学领域:
- 数字病理学数字病理学
- 计算病理学计算病理学
- 医学中的人工智能
背景情况:
- 胎儿炎症反应 (FIR) 涉及中性粒细胞透到带,通常是由于子宫内感染.
- FIR与新生儿败血症和胎儿炎症反应综合征有关.
- 深度学习在数字病理学中显示出对诊断和预后等临床任务的承诺.
研究的目的:
- 用带的整个幻灯片图像 (WSI) 来分类胎儿炎症反应 (FIR).
- 为了比较对医疗与非医疗数据集进行预训练的深度学习模型的性能,用于FIR分类.
- 从组织学图像开发一个集体模型,用于从组织学图像中进行强大的FIR诊断.
主要方法:
- 数字化了4100张H&E染色的带组织学幻灯片.
- 利用基于注意力的全幻灯片学习模型.
- 将在ImageNet (ConvNeXtXLarge) 上预先训练的模型与基因病理图像 (UNI) 进行比较,创建组合.
主要成果:
- 使用UNI进行训练的组合模型实现了0.836.6的平衡精度.
- 使用ConvNeXtXLarge集成模型实现了0.7209.9的较低平衡精度.
- 热图突出显示了FIR病例中的关键病理特征,包括动脉炎和肌层变化.
结论:
- 开发了准确的深度学习模型,用于从胎盘组织学中诊断FIR.
- 这些模型有可能减少病理学家之间的观察者间变异性.
- 未来的研究可能会探索它们在识别有系统性炎症或新生儿败血症风险的婴儿方面的有用性.
