SegRenal:移植脏活检中冷部分的AI驱动细分 - 深度学习模型的比较分析
Ibrahim Yilmaz1, Heba M Alazab1, Fatih Doganay1
1Department of Laboratory Medicine and Pathology, Mayo Clinic, Jacksonville, 32224, FL, USA.
Computer methods and programs in biomedicine
|January 9, 2026
概括
这项研究介绍了SegRenal,这是一种人工智能工具,可以准确地识别冷脏活检中的关键结构,改善移植适合性评估. 人工智能模型减少了变化,并加快了分析,以便更好地做出手术内决策.
科学领域:
- 数字病理学数字病理学
- 医学中的人工智能
- 脏病理学 脏病理学
背景情况:
- 捐赠脏活检的冷部分评估对于移植适合性至关重要,但面临着诸如观察者间变异性和冷文物等挑战.
- 对于永久性组织切断存在深度学习 (DL) 应用,但它们在冷组织分析中的使用是有限的.
研究的目的:
- 开发和评估SegRenal,一个基于人工智能的分段模型,用于在H&E染色冷整片图像 (WSIs) 中自动识别淋巴细胞,动脉和间歇性纤维化和管状缩 (IFTA).
- 严格调整模型,开发数据集,评估跨扫描器性能,并将其整合到临床数字病理学工作流程中.
主要方法:
- 183个来自两个扫描仪的冷WSI被病理学家注释.
- 三种编码器-解码器架构 (UNet,ResNet-UNet,DenseNet-UNet) 被训练并使用二进制和多类分割进行比较.
- 最好的模型 (预训练的DenseNet与多类输出) 在未见的WSIs上进行了评估,通过Dice得分,精度,回忆和ICC评估性能.
主要成果:
- 预训练的DenseNet多类模型实现了高性能:子得分为0.95 (质),0.90 (硬化质),0.80 (动脉) 和0.88 (IFTA).
- 观察到高回忆率:小球体的99.8%,动脉的100%.
- 在不同的扫描仪上展示了一致的性能,人工智能模型识别了手动注释中遗漏的结构.
结论:
- 在冷活检中,SegRenal精确地对关键脏结构进行细分,具有强大的交叉扫描性能.
- 通过SegRenal自动量化量化减少了变化和周转时间.
- 人工智能模型支持更快,更一致的手术内移植评估.
