典型文献
基于深度学习的肝脏病理图像中肝脂肪变性分级研究
文献摘要：
目的:设计基于深层神经网络模型用来分析肝脏全景病理切片图像(Whole slide images,WSI)的肝脂肪变性分级方法,以实现对非酒精性脂肪性肝病(Non-alcoholic fatty liver disease,NAFLD)病程的辅助诊断.方法:结合临床诊断,以非酒精性脂肪肝活动度积分(NAFLD activity score,NAS)为评价标准,将肝脂肪变性程度分为无、轻度、中度和重度等四级病程,本研究采用多示例学习的策略构建并训练深度神经网络模型,将训练获得的人工智能模型用来实现计算机自动化诊断肝脏病理切片中肝脂肪变性程度分级.结果:通过使用本研究中的人工智能方法可以在3分钟内对一张WSI进行完整的分析,得到该病患肝脏病理切片中肝脂肪变性分级,训练获得的人工智能模型的AUC为0.97,肝脂肪变性分级的平均准确率为78.18％,macro-F1 score、macro-Preci-sion和macro-Recall分别为79.49、82.03和77.10,其结果展示获得的人工智能模型已满足可辅助临床诊断的水平.结论:本研究基于深度学习技术开发的人工智能方法初步实现快速自动化诊断肝脂肪变性分级,展现了其潜在的临床使用价值.
文献关键词：
深度学习;多示例学习;非酒精性脂肪肝诊断;数字病理
中图分类号：
作者姓名：
李时杰;宋镒凯;张智弘;梁辉;周红文;龚颖芸;陈丰荣
作者机构：
复旦大学代谢与整合生物学研究院 上海200438;南京医科大学第一附属医院病理科 江苏南京210029;南京医科大学第一附属医院普外科 江苏南京210029;南京医科大学第一附属医院内分泌科 江苏南京210029;上海期智研究院 上海200030
文献出处：
引用格式：
[1]李时杰;宋镒凯;张智弘;梁辉;周红文;龚颖芸;陈丰荣-.基于深度学习的肝脏病理图像中肝脂肪变性分级研究)[J].现代生物医学进展,2022(19):3601-3607
A类：
肝脂肪变性分级,Preci,非酒精性脂肪肝诊断
B类：
肝脏病理,病理图像,分级研究,深层神经网络,全景,病理切片,切片图像,Whole,slide,images,WSI,分级方法,非酒精性脂肪性肝病,Non,alcoholic,fatty,liver,disease,NAFLD,辅助诊断,结合临床,活动度,activity,score,NAS,变性程度,四级,多示例学习,策略构建,深度神经网络模型,人工智能模型,自动化诊断,程度分级,人工智能方法,平均准确率,macro,sion,Recall,深度学习技术,技术开发,快速自动化,临床使用,使用价值,数字病理
AB值：
0.252227
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
