多模式深度学习提高了膜性病的病理诊断的准确性

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:

• 脏活检是诊断淋巴细胞疾病的黄金标准,例如膜性脏病 (MN).
• 当前的病理评估在准确性,客观性和可重现性方面面临挑战.
• 需要自动诊断工具来协助病理学家.

研究的目的:

• 开发一种多式模式的病理诊断系统,以帮助诊断MN.
• 使用人工智能来提高MN诊断的准确性和效率.

主要方法:

• 使用PASM染色,免疫光和电子显微镜图像开发了三种深度学习模型.
• 综合模型输出用于全面的病理诊断.
• 对病理学家和外部数据集验证了系统.

主要成果:

• 在PASM图像上识别尖峰的准确度达到了91.74%.
• 在免疫光图像上达到MN分类的99.31%F1分数.
• 在特定任务中表现优于病理学家,对外部数据的高准确性.

结论:

• 多式联络人工智能系统协助病理学家快速准确地进行MN诊断.
• 这个系统为开发其他球细胞疾病的诊断模型提供了基础.