深度学习用于巨细胞动脉炎的诊断在动脉活检上
Raphaël Bourgade1, Mounia Elhannani1, Delphine Loussouarn1
1Department of Pathology, University Hospital of Nantes, 9 Quai Moncousu cedex 01, 44093, Nantes, France.
Computers in biology and medicine
|July 9, 2025
概括
一个新的深度学习模型从动脉活检 (TAB) 图像准确地诊断出巨细胞动脉炎 (GCA). 这种人工智能工具显示出有潜力帮助病理学家,改善这种严重血管炎的诊断速度和一致性.
科学领域:
- 病理学 病理学 病理学
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 巨细胞动脉炎 (GCA) 是一种大血管血管炎,需要及时诊断以预防严重并发症.
- 动脉活检 (TAB) 是标准的诊断方法,但其解释是复杂的,并且取决于专业知识.
研究的目的:
- 为了评估使用TAB图像对GCA的深度学习 (DL) 模型的诊断准确性.
- 评估DL模型识别GCA的关键病理特征的能力.
主要方法:
- 一个DL模型使用366个TAB (137个GCA,229个对照) 的全幻灯片图像 (WSI) 进行训练.
- 该模型使用CTransPath进行特征提取和基于注意力的多实例学习机制.
- 在58个TAB (21个GCA,37个对照) 的外部队列上验证了性能.
主要成果:
- DL模型实现了高诊断准确性,在训练组中平均AUROC为0.987,在外部测试组中为0.994.
- 该模型展示了可解释性,注意力得分突出了动脉介质层中的炎症透.
- 只有一个病例在外部测试队列中被错误分类.
结论:
- 开发的DL框架实现了来自TAB图像的GCA诊断的最先进性能.
- 该模型的可解释性支持其作为病理学家辅助工具的潜力.
- 这种人工智能方法可以简化GCA诊断,减少病理学家的工作量,提高诊断一致性.
