一个多任务的IgA脏病的深度序列神经网络牛津分类和预后预测
Sai Pan1, Yibing Fu2, Lai Jiang2
1Department of Nephrology, First Medical Center of Chinese PLA General Hospital, Nephrology Institute of the Chinese People's Liberation Army, National Key Laboratory of Kidney Diseases, National Clinical Research Center for Kidney Diseases, Beijing Key Laboratory of Kidney Disease Research, Beijing, China.
International journal of medical informatics
|July 31, 2025
概括
DeepSNN是一个新的深度序列神经网络,集成IgA病 (IgAN) 诊断和预后预测,实现与高级病理学家相比的性能. 这个工具简化了IGAN患者的临床工作流程.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 深度学习模型已经进行了先进的IgA脏病 (IgAN) 病理分析.
- 在整合多标签结构识别,牛津分类和IgAN的预后预测方面,临床挑战仍然存在.
- 目前的模型缺乏全面的整合,用于多方面的IgAN评估.
研究的目的:
- 为IgA脏病 (IgAN) 病理分析开发一个集成的深度学习模型.
- 将病变细分,牛津分类和预后预测结合到一个框架中.
- 提高AI在IGAN诊断中的解释性和临床实用性.
主要方法:
- 开发了DeepSNN,一个深度序列神经网络,作为一个多任务模型.
- 在多中心,多模态病理学数据集上进行培训.
- 综合子网用于病变细分,质分类,牛津MEST-C评分和预后预测.
- 通过可视化和与病理学家使用科恩卡帕的诊断模式进行比较来验证解释性.
主要成果:
- 在两个数据集上,DeepSNN在病变识别方面实现了高子系数 (0.95和0.92).
- 在牛津分类中表现强 (卡帕值为0.79-0.87).
- 超过初级病理学家的表现,并与高级病理学家的表现相匹配.
- 与IIPT (AUC:0.742) 相比,显示出更优异的预后预测 (AUC:0.810).
- 视觉化地图证实了与人类专家一致的病理区域识别.
结论:
- DeepSNN成功地将IgA脏病 (IgAN) 的多个诊断任务与高精度相结合.
- 该模型的表现与高级病理学家的表现相当,这表明临床工作流程优化的潜力.
- 这项创新解决了自动化病理学的关键差距,为IGAN管理提供了临床可解释的解决方案.
