提高预测精确度的异构移植结果:超越传统的临床和活检评分方法
Akshita Gupta1, Ahmed Naglah2, Kuang-Yu Jen3
1Health Outcomes and Biomedical Informatics, Department of Medicine, University of Florida, Gainesville, FL.
概括
人工智能分析的早期移植活检可以预测移植功能. 一个使用整张幻灯片图像的自动化系统在预测估计膜过率 (eGFR) 变化方面取得了73%的准确性.
科学领域:
- 脏病学和计算病理学
- 医疗成像中的人工智能
- 对移植结果的生物标志物发现.
背景情况:
- 移植对于末期病至关重要,但移植结果各不相同.
- 移植后活检提供了洞察力,但对长期功能的早期预测仍然具有挑战性.
- 估计的膜过率 (eGFR) 是功能的一个关键指标.
研究的目的:
- 开发和评估一种自动化系统,用于对移植后立即进行脏活检进行分类.
- 为了预测患者的结果,特别是eGFR的变化,使用时间零活检图像.
- 通过提供对长期移植健康的见解,增强早期患者管理.
主要方法:
- 使用56个FFPE全幻灯片图像进行零时间脏活检 (PAS染色).
- 采用ComPRePS进行多隔间细分和视觉变压器 (ViT) 进行质细胞特征提取.
- 训练了一个人工神经网络 (ANN),根据eGFR变化 (下降与稳定) 从移植后3到12个月对患者进行分类.
主要成果:
- 拟议的ANN模型在预测eGFR下降与稳定群体之间取得了73%的准确性.
- UMAP可视化证实了预测的患者群体之间的明显区别.
- 人工智能模型显著优于使用手工制作的特征的基线ANN (55%准确率).
结论:
- 移植后的直接活检包含了对长期移植结果的预测信息.
- 使用人工智能对活检图像的自动化分析显示,对早期预测移植功能的预测非常有希望.
- 为了临床适用性,需要进一步验证和数据集扩展.
