从数字显微镜图像对尿液沉积物颗粒的基于深度学习的分类进行临床整合:一项前性研究
Stylianos G Mouslech1, Sven Wijnants2, Anne-Lisanne van der Schagt2
1STADIUS Center for Dynamical Systems, Signal Processing and Data Analytics-Department of Electrical Engineering (ESAT), KU Leuven, Leuven, Belgium.
Clinical chemistry
|January 7, 2026
概括
一个新的深度学习模型从数字显微镜图像中准确地分类尿液颗粒,为手动尿液分析提供了更快,更可靠的替代方案. 为了实现最佳的临床整合,需要进一步验证.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 尿液分析是一项关键的临床测试,涉及手动微观检查尿液沉积物,这很费力,容易出现错误.
- 使用数字显微镜和深度学习的自动化分析提供了一个有前途的解决方案,以提高效率和准确性.
- 这项研究调查了用于自动化尿液沉积物分类的深度学习模型的临床实用性.
研究的目的:
- 开发和评估一个深度学习模型用于尿液沉积物元素的自动分类.
- 在临床实验室环境中评估模型的性能,稳定性和可解释性.
- 为自动化尿液分析的可靠临床应用提供见解.
主要方法:
- 基于EfficientNet的深度学习模型被训练在13个类别的尿液沉积物元素的数据集上,这些元素来自数字显微镜图像.
- 在不同的数据收集策略中评估模型性能,包括不确定性校准和可解释性分析 (Grad-CAM,t-SNE).
- 开发了一个图形用户界面,用于在临床实验室环境中进行前性验证.
主要成果:
- 深度学习模型在测试组中实现了大约97%的整体准确性,在分类尿液颗粒方面表现出很高的性能.
- 可解释性分析证实了该模型专注于相关图像区域,并学习了不同类别的独特特征嵌入.
- 展望评估显示,前1名和前3名的准确率分别为约78%和92%,突出显示需要进一步改进.
结论:
- 一个轻量级的深度学习模型显示了精确分类尿液颗粒的高潜力.
- 回顾性和前性评估之间的差异强调了数据变化的重要性,并为临床实施提供了关键的见解.
- 使用深度学习的自动化尿液分析可以提高临床实验室的诊断效率和准确性.
