Glo-In-One-v2:在人类和小鼠组织病理学中对球细胞,组织和病变的整体鉴定
Lining Yu1, Mengmeng Yin2, Ruining Deng1
1Vanderbilt University, Department of Computer Science, Nashville, Tennessee, United States.
Journal of medical imaging (Bellingham, Wash.)
|July 29, 2025
概括
一个新的深度学习模型,Glo-In-One-v2,通过细分质组织和病变来增强脏病理分析. 这种人工智能工具提高了准确性,并减少了从组织病理图像诊断脏疾病的变异性.
科学领域:
- 腎病理學 腎病理學
- 计算病理学计算病理学
- 医学图像分析 医学图像分析
背景情况:
- 淋巴细胞损伤细分对于诊断脏疾病至关重要,但是劳动密集型,容易发生观察者间的变化.
- 现有的方法依赖于专家病学家的手动评估,限制了可扩展性和一致性.
研究的目的:
- 开发一个先进的AI工具,Glo-In-One-v2,用于自动化,细粒度细分的细胞内细胞组织和细胞内细胞损伤.
- 为培训和验证细分模型创建一个大规模的注释数据集.
主要方法:
- 单个动态头深度学习架构被用于多类细分.
- 该模型训练了来自人类和小鼠脏组织病理学数据的23,529个注释质,包括14个不同的标签.
- 从动物转移到人类数据的学习被用来提高病变细分的准确性.
主要成果:
- 在Glo-In-One-v2模型中,获得了76.5%的平均子相似系数,用于体细分.
- 从动物数据应用到人类数据时,转移学习提高了球损伤细分精度超过3% (Dice分数).
- 策划的数据集是同类中最大的数据集之一,包括14个跨组织,细胞和病变的标签.
结论:
- Glo-In-One-v2为病理的多类细分提供了一个强大的解决方案,解决了手动评估的局限性.
- 开发的模型和数据集有助于更准确和更一致地分析病原组学.
- 该Glo-In-One-v2模型及其预训练的重量是公开的,可供研究界使用.
