相关实验视频
Updated: Jun 21, 2026
09:16
Assessment of Kidney Function in Mouse Models of Glomerular Disease
Published on: June 30, 2018
17.9K
基于深度学习的IgA脏病全片图像中的球形态的定量分析及其预后影响
Seung Yeon Cho1, Yisak Kim1,2, Sehoon Park3
1Interdisciplinary Program in Bioengineering, Graduate School, Seoul National University, Seoul, Republic of Korea.
Scientific reports
|July 3, 2025
概括
人工智能分析脏活检图像,以预测IgA脏病 (IgAN) 的进展. 这种人工智能方法的准确性与传统方法相提并论,有可能改善患者风险分层.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 数字病理学数字病理学
- 人工智能的人工智能
背景情况:
- 免疫球蛋白A脏病 (IgAN) 诊断和风险分层依赖于手动病理学解释,这是耗时且容易变化的.
- 准确预测IGAN进展对于及时干预和管理至关重要.
研究的目的:
- 开发和验证基于人工智能 (AI) 的框架,用于定量分析 IgAN. glomerular 组织学特征.
- 评估AI衍生特征对IGAN患者病进展的预测性能.
- 将AI模型的可预测性与传统的临床病理学特征进行比较.
主要方法:
- 一个深度学习模型 (DeepLabV3Plus和EfficientNet-B3) 经过训练,可以从脏活检的数字化整个幻灯片图像中对淋巴细胞进行细分并量化形态特征.
- 使用这些定量图像特征构建机器学习模型,用于IGAN进展风险预测.
- 人工智能模型的性能被内部和外部验证,使用来自1,241个整张幻灯片图像的数据.
主要成果:
- 人工智能模型在质细胞细分方面取得了高性能,加权平均精度为0.795 (内部) 和0.818 (外部),子相似系数为0.721 (内部) 和0.743 (外部).
- 仅基于图像特征的模型表现出与仅基于临床特征的模型可比的结局的可预测性.
- 将人工智能衍生图像特征纳入临床模型显示了提高可预测性的趋势.
结论:
- 来自AI分析的定量质组织学特征在预测Igan进展方面与传统的临床数据相比.
- 人工智能驱动的定量病理学为IGAN中的风险分层提供了一种有希望的客观方法.
- 这些发现表明,人工智能对病理学的分析可能会提供超越当前临床参数和分类的预后见解.
