MMD-Net:一个弱监督的解决方案,用于量化非酒精脂肪肝活检
Ming Yu1, Tao Jiang1, Hongsheng Zhou2
1Department of Biomedical Engineering, School of Information Science and Technology, Fudan University, Shanghai, China.
Quantitative imaging in medicine and surgery
|January 12, 2026
概括
一个新的弱监督的深度学习模型减少了诊断非酒精性脂肪肝疾病 (NAFLD) 的病理学家工作量. 这种人工智能方法可以使用多实例学习进行高效和标准化的NAFLD评估.
科学领域:
- * 肝病理学 肝病理学
- * 医学中的人工智能
- * 计算病理学 计算机病理学
背景情况:
- *非酒精性脂肪肝 (NAFLD) 影响全球25%的人口,经常导致肝硬化.
- *肝脏活检是NAFLD诊断的黄金标准,使用劳动密集型的Kleiner评分系统.
- *目前用于NAFLD评估的深度学习 (DL) 方法需要广泛的病理学家注释,限制了可扩展性.
研究的目的:
- * 开发一个弱监督的框架,使用多实例学习 (MIL) 进行NAFLD评估.
- * 为了减轻病理学家在NAFLD诊断中的注释负担.
- * 创建一个临床适用的NAFLD诊断方法.
主要方法:
- *使用公开可用的肝细胞病理学数据集.
- *开发了MMD-Net,这是一个监督较弱的框架,将MIL与多任务学习 (MTL) 整合在一起.
- *使用准确度,精度,回忆,F1得分和科恩 κ.的模型性能评估.
主要成果:
- *MMD-Net在NAFLD评估中表现出强烈的同意与地面真相.
- * 达到高的二次加权科恩的 κ 系数:气球上升为 0.932,炎症为 0.836 和肥胖症为 0.766.
- *所有指标中科恩的 κ平均值为0.845.
结论:
- *为标准化NAFLD组织病理学评估建立了一个新的范式.
- * 消除了对像素级注释的需求,减少了病理学家的工作量.
- * 在临床NAFLD评估中为人工智能驱动的基因病理分析铺平了道路.
