在骨髓质瘤中提取新特征和诊断预测,使用基于正常巨核细胞的弱监督的人工智能模型
Sosuke Ishijima1,2, Ethan N Okoshi1, Makoto Kawamoto1
1Department of Pathology Informatics, Graduate School of Biomedical Sciences, Nagasaki University, Nagasaki, Japan.
Pathology international
|September 16, 2025
概括
这项研究引入了一种人工智能模型,用于在骨髓活检中使用正常的巨核细胞形态来分类髓性疾病. 该模型显示高精度,有助于诊断和发现新的组织学特征.
科学领域:
- 计算病理学计算病理学
- 血液学中的人工智能
- 组织病理学分析分析.
背景情况:
- 骨髓病理学评估对于非专家来说是复杂的.
- 有限的人工智能研究存在于骨髓活检分析.
- 形态复杂性阻碍了准确的诊断.
研究的目的:
- 开发一个人工智能模型来分类骨髓性疾病.
- 在骨髓活检中使用形态上正常的巨核细胞.
- 区分正常病例,骨髓质疏松性瘤和免疫性血栓缩性紫外线.
主要方法:
- 集成的深度学习用于骨髓区域和巨核细胞检测.
- 使用一个XGBoost分类器与提取的特征.
- 分析了血素-素染色的骨髓活检样本.
主要成果:
- 在骨髓检测 (AUC 0.9996) 和巨核细胞检测 (AUC 0.9997) 中获得了高精度.
- 在分类骨髓质疏松性瘤与正常瘤 (AUC 0.879) 中表现出强的性能.
- 确定了巨核细胞百分比和邻近性作为关键预测特征.
结论:
- 介绍了第一个人工智能模型,用于使用正常的巨核细胞形态来分类骨髓质疏松性瘤与正常.
- 该模型显示了在骨髓病理学中的诊断辅助潜力.
- 这种方法可能会揭示疾病预测的新型组织学特征.
