深度学习用于脐带胎儿炎症反应诊断
图像与视频处理
2024-11-18 v1 人工智能
计算机视觉与模式识别
摘要
脐带炎症可视为宫腔内上行感染或其他炎症刺激的结果。急性胎儿炎症反应（FIR）的特征是胎儿中性粒细胞浸润脐带，可能与新生儿败血症或胎儿炎症反应综合征相关。数字病理学中深度学习的最新进展在诊断和预后等广泛的临床任务中表现出良好性能。本研究利用全切片图像（WSI）对 FIR 进行分类。我们将 4100 张苏木精-伊红（H&E）染色的脐带组织切片数字化，并从电子健康记录中提取胎盘诊断。我们使用基于注意力的全切片学习模型构建模型。我们比较了由在非医学图像（ImageNet）上预训练的模型（ConvNeXtXLarge）提取的特征与在病理图像上预训练的模型（UNI）提取的特征的策略。我们训练了每个模型的多次迭代并将它们集成到集成模型中。使用 UNI 训练的模型集成在测试数据集上达到了 0.836 的总体平衡准确率。相比之下，使用 ConvNeXtXLarge 的集成预测平衡准确率较低，为 0.7209。表现最好的模型生成的热图在 FIR 2 病例中适当高亮了动脉炎。在 FIR 1 中，表现最好的模型将高注意力分配给 Wharton 胶中呈活化外观的基质区域。然而，其他高性能模型将注意力分配给脐带血管。我们开发了用于从胎盘组织学图像诊断 FIR 的模型，有助于减少病理学家之间的观察者间变异性。未来的工作可以探讨这些模型在识别全身炎症反应或早发型新生儿败血症风险婴儿方面的效用。
引用
@article{arxiv.2411.09767,
title = {Deep Learning for Fetal Inflammatory Response Diagnosis in the Umbilical Cord},
author = {Marina A. Ayad and Ramin Nateghi and Abhishek Sharma and Lawrence Chillrud and Tilly Seesillapachai and Lee A. D. Cooper and Jeffery A. Goldstein},
journal= {arXiv preprint arXiv:2411.09767},
year = {2024}
}