基础人工智能模型的准确性,用于在冷部分中对肝脏巨细胞肥胖症的量化
Archives of pathology & laboratory medicine
|December 15, 2025
概括
人工智能模型在准确评估活检中的供体肝脏脂肪含量方面表现有前途,与人类病理学家在关键移植决策方面相似. 需要进一步验证,以便在肝移植中得到更广泛的应用.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肝病学 肝病学是一种肝病学.
背景情况:
- 在捐赠肝脏活检中精确评估巨细胞肥胖症对于肝移植决策至关重要.
- 目前的方法面临挑战,因为观察者之间的变化和结文物.
- 人工智能 (AI) 为标准化和可重复的评估提供了一个潜在的解决方案.
研究的目的:
- 评估两个基于自主监督学习 (SSL) 的基础模型的诊断性能,即Prov-GigaPath和UNI.
- 为了比较人工智能模型对冷肝脏活检部位上的巨型肌肉硬化症的分类与外科病理学家的评估.
主要方法:
- 一项对68位捐赠者的131个冷肝脏活检样本进行回顾性研究.
- 将幻灯片数字化成整个幻灯片图像,并使用Prov-GigaPath和UNI提取嵌入式.
- 培训和测试幻灯片级分类器,比较AI性能与专家病理学家评论的地面真相.
主要成果:
- 对于二进制分类 (<30%对比≥30%肥胖症),Prov-GigaPath实现了96.4%的准确性,UNI达到85.7%,病理学家达到89.3%.
- 对于五类分类,准确度较低:Prov-GigaPath 57.1%,UNI 50.0%,病理学家 64.2%.
- 错误的分类主要是中等脂肪酸症类别 (5%至<30%).
结论:
- 基于SSL的AI模型显示了与外科病理学家相比较的性能,用于临床上显著的双重分类.
- 人工智能有可能对捐赠人肝脏活检的手术内评估进行标准化.
- 由于当前研究的样本规模较小,需要较大,平衡的队列进行验证.
