机器学习使用数字化唾液腺活检来分类焦点得分和Sjögren病:一项回顾性队列研究

科学领域:

• 组织病理学 组织病理学
• 机器学习在医学中的应用
• 类风湿病学 类风湿病学

背景情况:

• 斯约格伦病的分类依赖于从小的唾液腺活检中获得的焦点分数分级.
• 专家对焦点分数的重新评估导致50%的案件重新分类.
• 这项研究旨在使用机器学习来自动分类和识别新的组织学Sjögren病亚型.

研究的目的:

• 开发和验证一种机器学习模型,用于使用小唾液腺活检进行自动焦点评分和Sjögren病分类.
• 使用可解释的AI识别与Sjögren病相关的新型组织学模式.

主要方法:

• 一项回顾性队列研究使用了来自六个欧洲专家中心的扫描小唾液腺活检幻灯片.
• 在来自五个中心的数据上训练了一种深度学习模型,并在第六个中心进行验证.
• 计算了沙普利值以识别驱动分类的组织学模式.

主要成果:

• 深度学习模型在外部验证后实现了焦点分数分类的AUROC为0.88和Sjögren病分类的0.89.
• 在与抗Sjögren综合征相关的抗原A阴性患者中,Sjögren病的分类性能为0.92.
• CD8+ T细胞透到状上皮细胞的新型组织学模式与Sjögren病的诊断有关.

结论:

• 深度学习模型可以从小的唾液腺活检可靠地分类焦点得分和Sjögren病.
• 唾液腺中CD8+T细胞的透是与Sjögren病相关的显著组织学特征.
• 需要进一步的研究来验证这些机器学习模型及其临床实用性.