卷积神经网络模型的应用,用于构建基于人工智能的自动识别系统,用于小鼠脏组织显微镜图像
Chen Yun1,2, Ai-Yun Zha2,3, Xiaofan He4
1Department of Nephrology, Charité - Universitätsmedizin Berlin, Campus Mitte, Berlin, Germany.
Folia neuropathologica
|November 13, 2025
概括
这项研究介绍了一个使用深度学习来分析病图像的AI系统. 新的ResPool采样方法提高了病理图像识别的准确性,以更好地分析疾病.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 慢性病 (CKD) 的诊断依赖于病理学分析.
- 开发自动化系统可以提高诊断效率和准确性.
研究的目的:
- 开发基于人工智能的系统,使用深度学习分析病态图像.
- 通过盲目比较分析来评估AI系统的可靠性.
主要方法:
- 通过药物干预建立了一种大鼠CKD模型.
- 采用了卷积神经网络 (CNN) 和一个新的ResPool采样结构.
- 750个染色病态脏图像用于训练人工智能模型.
主要成果:
- 人工智能系统成功执行了淋巴细胞实例细分和损伤分析.
- 基于残留学习的ResPool采样结构提高了图像识别的准确性.
- 开发的系统在病理图像分类方面表现出可靠性和可信性.
结论:
- 人工智能,特别是CNN和ResPool采样的深度学习,为分析病理提供了强大的工具.
- 这种方法可以提高诊断病的准确性和效率.
- 这项研究证实了人工智能在改善医疗应用的病理图像识别方面的潜力.
