用人工智能驱动的病理图像对膜性病的定量分析跨越宏观和微观模式
IEEE journal of biomedical and health informatics
|November 24, 2025
概括
这项研究引入了一个使用Mamba模型分析脏活检图像以诊断膜性病 (MN) 的AI框架. 它量化了病理变化,用于客观和可重现的MN进展预测.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 膜性病 (MN) 诊断依赖于通过光显微镜 (LM) 和传输电子显微镜 (TEM) 识别质底膜 (GBM) 病变.
- 定性诊断方法受到病理学家间的变化影响,需要定量方法来准确预测MN进展.
研究的目的:
- 开发一个人工智能驱动的框架,从LM和TEM图像中量化MN的病理变化.
- 通过集成的多尺度图像分析和机器学习来预测MN进展.
主要方法:
- 使用Mamba模型开发了一个AI框架,用于量化尖峰样投影 (LM) 和GBM厚度 (TEM).
- 使用因子分析提取病理指标,用经典机器学习模型预测MN进展.
- 该框架集成了LM和TEM图像进行联合分析,模仿病理学家的工作流程.
主要成果:
- 人工智能框架在质细胞分类和GBM细分方面表现强.
- 使用开发的病理指标,可以准确预测MN进展.
- 对109个案例的外部数据集进行的实验验证实了该框架的有效性.
结论:
- 多尺度综合量化提供了一个客观和可重复的方法来评估MN的进展.
- 人工智能框架有可能提高MN诊断中的临床解释性.
- 这种方法解决了病学的定性诊断方法的局限性.
