研究人員使用人工智能 (AI) 工具模擬人類如何可視化并接受訓(xùn)練以識別和分類圖像，構(gòu)建了一個模型，該模型通過評估組織學(xué)圖像以高精度預(yù)測克羅恩病的術(shù)后復(fù)發(fā)。人工智能工具還揭示了以前未被識別的脂肪細(xì)胞差異以及漿膜下或腸道外層肥大細(xì)胞浸潤程度的顯著差異，比較了有和沒有疾病復(fù)發(fā)的患者。研究結(jié)果發(fā)表在美國病理學(xué)雜志上。
克羅恩病是一種慢性炎癥性胃腸道疾病，術(shù)后 10 年的癥狀復(fù)發(fā)率估計為 40%。盡管有評估克羅恩病活動性和術(shù)后復(fù)發(fā)存在的評分系統(tǒng)，但尚未開發(fā)出評分系統(tǒng)來預(yù)測克羅恩病是否可能復(fù)發(fā)。
“過去，大多數(shù)使用 AI 對組織病理學(xué)圖像進(jìn)行的分析都針對惡性腫瘤，”主要研究人員 Takahiro Matsui 醫(yī)學(xué)博士和 Eiichi Morii 醫(yī)學(xué)博士解釋說，醫(yī)學(xué)博士，大阪大學(xué)研究生大阪醫(yī)學(xué)院。“我們的目標(biāo)是通過使用人工智能分析組織病理學(xué)圖像來獲得對更廣泛疾病的臨床有用信息。我們專注于克羅恩病，其中術(shù)后復(fù)發(fā)是一個臨床問題。”
該研究納入了 2007 年 1 月至 2018 年 7 月期間接受腸切除術(shù)的 68 名克羅恩病患者。根據(jù)術(shù)后兩年內(nèi)有無術(shù)后疾病復(fù)發(fā)將他們分為兩組。每組被分為兩個子組，一個用于訓(xùn)練 AI 模型，另一個用于驗證。對于訓(xùn)練，手術(shù)標(biāo)本的整個幻燈片圖像被裁剪成平鋪圖像，標(biāo)記是否存在術(shù)后復(fù)發(fā)，然后由 EfficientNet-b5 處理，EfficientNet-b5 是一種用于執(zhí)行圖像分類的商用 AI 模型。當(dāng)用未標(biāo)記的圖像對模型進(jìn)行測試時，結(jié)果表明深度學(xué)習(xí)模型根據(jù)有無疾病發(fā)生對未標(biāo)記圖像進(jìn)行準(zhǔn)確分類。
接下來，生成預(yù)測熱圖以識別機(jī)器學(xué)習(xí)模型可以高精度預(yù)測復(fù)發(fā)的區(qū)域和組織學(xué)特征。圖像包括腸壁的所有層。熱圖顯示機(jī)器學(xué)習(xí)模型在漿膜下脂肪組織層產(chǎn)生了正確的預(yù)測。然而，在其他區(qū)域，例如黏膜和適當(dāng)?shù)募∪鈱?，該模型不太?zhǔn)確。從非復(fù)發(fā)組和復(fù)發(fā)組的測試數(shù)據(jù)集中提取具有最準(zhǔn)確預(yù)測的圖像。在這些圖像中，最好的預(yù)測結(jié)果都包含脂肪組織。
由于機(jī)器學(xué)習(xí)模型從漿膜下組織的圖像中獲得了準(zhǔn)確的預(yù)測，研究人員假設(shè)復(fù)發(fā)組和非復(fù)發(fā)組之間的漿膜下脂肪細(xì)胞形態(tài)不同。與非復(fù)發(fā)組相比，復(fù)發(fā)組的脂肪細(xì)胞具有明顯更小的細(xì)胞大小、更高的扁平化和更小的中心到中心細(xì)胞距離值。
標(biāo)簽：
免責(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險自擔(dān)。 如有侵權(quán)請聯(lián)系刪除！