没有再培训的EOS检测AI的跨器官部署:可行性和限制
Yifei Wu1, Juming Xiong2, Tianyuan Yao1
1Department of Computer Science, Vanderbilt University, Nashville, TN, USA.
概括
在慢性鼻炎 (CRS) 中对乙氨基基细胞 (Eos) 的自动化分析显示出有希望. 一个在胃肠道数据上训练的模型在没有重新训练的情况下,在鼻子组织中检测Eos的准确度可变但令人鼓舞.
科学领域:
- 计算病理学计算病理学
- 免疫学 免疫学 免疫学
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
背景情况:
- 慢性鼻炎 (CRS) 涉及持续的鼻炎,影响生活质量.
- 乙氨基 (Eos) 是关键的免疫细胞,与CRS严重程度有关,诊断依赖于手动计数.
- 在组织学中手动计数乙素是耗时的,需要自动化的AI解决方案.
研究的目的:
- 为了评估深度学习模型 (CircleSnake) 的适应性,该模型在胃肠道氨基基细胞数据上进行了训练,用于分析鼻腔组织.
- 评估预先训练的模型在整个幻灯片图像 (WSIs) 中对以奥西诺菲尔细分的性能,而无需重新训练.
- 确定导致性能差异的因素,在将肠道受训模型应用于CRS组织学时.
主要方法:
- 使用CircleSnake深度学习模型预先训练上部胃肠 (GI) 组织图像.
- 应用该模型对从慢性鼻炎患者的鼻组织样本的整体幻灯片图像 (WSIs) 中细分乙氨基酸.
- 在不同的WSIs中分析了细分精度和性能变化.
主要成果:
- 在CircleSnake模型展示了有希望的,虽然可变的准确性,在细分eosinophils在鼻WSIs.
- 在不同的案例中,性能有所不同,这表明直接跨领域应用的挑战.
- 该研究提供了详细的结果和性能变化的分析.
结论:
- 在胃肠道异氨基细胞数据上训练的深度学习模型显示了适应异氨基细胞中鼻组织分析的潜力.
- 需要进一步的研究和模型改进,以优化在CRS诊断中临床应用的性能.
- 了解跨领域的性能变化对于开发用于病理分析的强大的AI工具至关重要.