机器学习用于小猪肠道组织的定量体病理学:在有限的训练数据下面的挑战

科学领域:

• 兽医病理学 兽医病理学
• 计算病理学计算病理学
• 历史学 历史学 历史学

背景情况:

• 机器学习 (ML) 在组织病理学中越来越多地用于提高准确性和减少变异性.
• 兽医病理学往往缺乏人类医学中常见的大数据集和计算资源.
• 这项研究探讨了在有限的培训数据的情况下,将监督ML应用于组织病理学.

研究的目的:

• 评估监督ML的可行性和局限性,以使用有限的训练数据进行本病理学分析.
• 训练ML模型将肠壁细分为猪仔的组织学层.
• 评估与年龄相关的组织异质性对ML模型性能的影响.

主要方法:

• 在5个年龄组的145只小猪的数字化H&E染色肠道样本上训练了一种三步ML模型.
• 该模型细分了组织,粘膜/粘膜下以及自身膜/表皮.
• 使用手册注释,相对偏差,协议水平,与欧盟相交的交叉点和相关系数来评估性能.

主要成果:

• 成功开发了一种用于肠层细分的三步ML模型.
• 模型的性能随着年龄的变化而显著变化,由于形态不成熟,在年轻的小猪身上显示出更大的不准确性.
• 分类错误源于内在的限制和培训缺陷,培训缺陷可以通过添加数据来纠正.

结论:

• 基于ML的组织病理学对于使用有限样本大小的兽医病理学家来说是可行的.
• 在小数据集上训练的模型需要仔细监督,解决与年龄相关的异质性和过度拟合.
• ML应该作为一种工具来增加,而不是取代,对定量措施的专家兽医病理学家.