基于多种染色病理图像的非炎性主动脉中膜变性计算机辅助诊断方法
目的 探讨建立非炎性主动脉中膜变性(medial degeneration,MD)患者多种染色病理图像计算机辅助诊断模型的可行性.方法 回顾性收集2018年7—12月首都医科大学附属北京安贞医院诊治胸主动脉瘤及夹层患者非炎性病变的主动脉手术标本病理切片.将其以400倍率扫描为全视野数字图像(whole slide image,WSI)后由2名病理科医师对病变进行标注.按6:1的比例将标注后的WSI图像随机分为训练集和测试集.采用训练集数据对SE-EmbraceNet进行训练,构建多种染色病理图像MD多分类[包括层内型黏液样细胞外基质聚集(intralamellar mucoid extracellular matrix accumulation,MEMA-I)、穿透型黏液样细胞外基质聚集(translamellar mucoid extracellular matrix accumulation,MEMA-T)、弹力纤维断裂和/或缺失(elastic fiber fragmentation and/or loss,EFFL)和平滑肌细胞核缺失(smooth muscle cell nuclei loss,SMCNL)]模型,并采用准确率、灵敏度、精确率、F1值对模型的分类效果进行评价.结果 共入选符合纳入和排除标准的胸主动脉瘤及夹层患者非炎性主动脉病变手术标本病理切片530张.总提取5265组图像,每组均包含同一病变部位HE染色、特殊染色(弹力纤维/VanGieson、Masson、阿辛蓝/过碘酸雪夫)及平滑肌肌动蛋白5种染色病理图像.其中,训练集图像4513组,包括SMCNL 987组、EFFL 2013组、MEMA-I 1337组及MEMA-T 176组;测试集图像752组,包括SMCNL 166组、EFFL 335组、MEMA-I 222组及MEMA-T 29组.模型在测试集中显示出良好的MD分类性能,整体准确率为96.54％(726/752).其中,对EFFL的识别能力最强,准确率、灵敏度、精确率和F1值均≥98.51％,其次为SMCNL,各评价指标均≥97.59％,亦具有较好的分类能力.结论 本研究构建的基于多种染色病理图像MD分类模型具有较高的分类准确性和较好的泛化能力,有望应用于非炎性主动脉病变的辅助诊断.
计算机辅助诊断、多种染色病理图像、非炎性主动脉病变、中膜变性
13
R605.97
国家自然科学基金;北京市医院管理局临床技术创新项目
2022-08-05（万方平台首次上网日期，不代表论文的发表时间）
共7页
590-596
