双流深度特征和细胞表型融合模型用于诊断骨髓增殖新生体
Tzu-Ya Chien1, Cheng-Kuan Lin2, Hung-Ruei Chen3
1School of Industry Academia Innovation, National Yang Ming Chiao Tung University, Hsinchu, Taiwan.
Laboratory investigation; a journal of technical methods and pathology
|February 21, 2026
概括
一个新的AI模型,双流深度特征和细胞表型融合模型 (DS-DFCPF),增强了骨髓增殖性新生体 (MPNs) 的诊断. 这个计算病理学工具准确地区分MPN亚型,以更好地治疗患者.
科学领域:
- 计算病理学计算病理学
- 医学中的人工智能
- 血液学 血液学 血液学
背景情况:
- 由于症状重叠,诊断骨髓增殖性瘤 (MPNs) 是复杂的.
- 准确的MPN分类对于有效的治疗和管理至关重要.
- 现有的诊断方法需要提高精度.
研究的目的:
- 为改进MPN诊断引入一种新的计算模型.
- 为了提高MPN亚型之间的差异化.
- 为临床医生提供更准确和自动化的诊断工具.
主要方法:
- 开发了一种双流深度特征和细胞表型融合模型 (DS-DFCPF).
- 集成的深度学习功能来自整个幻灯片图像 (WSIs) 与细胞表型数据,专注于巨核细胞.
- 采用卷积神经网络 (CNN) 进行WSI特征提取和用于细胞表型的先进图像处理.
主要成果:
- DS-DFCPF模型在区分MPN亚型方面显著提高了性能.
- 深层特征和细胞表型的融合提高了诊断准确度.
- 该模型在411名患者样本的数据集上进行了验证,并提供了详细的注释.
结论:
- DS-DFCPF为MPN亚型诊断提供了一个可靠和可重复的工具.
- 这种方法为MPN患者提供了及时和定制的治疗干预措施.
- 该研究强调了多流数据集成在计算病理学中的潜力.
