使用深度学习技术检测自身免疫性疾病
B Subramanya1, Divya B Shivanna1, Nithin Raj G1
1Department of Computer Science and Engineering, Faculty of Engineering & Technology, Ramaiah University of Applied Sciences, Bengaluru, India.
Mediterranean journal of rheumatology
|June 25, 2025
概括
这项研究引入了一种自动化的深度学习方法,用于通过HEp-2细胞分析来诊断自身免疫疾病. YOLOv8n模型显著提高了检测准确度,为临床诊断提供了可靠的解决方案.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 计算病理学计算病理学
- 免疫学 免疫学 免疫学
背景情况:
- 自身免疫性疾病的诊断依赖于使用人类上皮类型-2 (HEp-2) 细胞的反核抗体 (ANA) 间接免疫光 (IIF) 测试.
- 在分析HEp-2细胞图像时,病理学家的主观性构成了诊断挑战.
- 需要自动化方法来提高自身免疫性疾病诊断的准确性和效率.
研究的目的:
- 开发和评估用于HEp-2细胞和线粒细胞实例细分的自动深度学习方法.
- 通过图像分析,提高自身免疫疾病诊断的可靠性和客观性.
- 为应对数据集不平衡在自动化细胞检测中的挑战.
主要方法:
- 使用ICPR 2016数据集进行培训和评估.
- 采用数据增强技术来平衡数据集,特别是对于线粒细胞.
- 实施并比较深度学习模型,包括Detectron2和YOLOv8n,例如细分.
主要成果:
- YOLOv8n模型实现了高性能,边界盒的平均精度 (mAP) 为94%,细分面罩的平均精度为93%.
- 检测器2的性能较低,面具的mAP为54%,盒子的mAP为55%.
- 实例细分使颗粒细胞计数成为可能,证明了在HEp-2细胞和线粒细胞检测方面的熟练程度.
结论:
- 使用深度学习建立了一种自动化,可靠的HEp-2细胞检测方法.
- 开发的方法显著提高了自身免疫性疾病诊断的准确性.
- 这项工作有助于在临床病理学中推进自动诊断工具.
