基于DenseNet算法对膜性肾病组织病理图像肾小球钉突分类研究

作者：张兴娜; 杨会; 刘雪宇; 姜秋竹; 李荣山; 周晓霜^*; 王晨

来源：重庆医学, 2022, 51(24): 4308-4312.

• 膜性肾病
• 钉突
• DenseNet
• 深度学习
• 人工智能

目的 开发基于DenseNet算法对膜性肾病(MN)肾小球钉突病理图像进行分类的人工智能模型，研究人工智能模型是否能辅助病理科医师在MN病理检测中发现钉突这一细微结构，提高病理科医师对MN的病理诊断水平。方法 选取2014-2019年山西医科大学附属第二医院收治的MN患者肾组织针刺活检病理切片1 250张，经筛选符合要求的六胺银(PASM)染色病理切片1 150张，选择诊断为MN病理分期Ⅱ期的PASM染色病理图像127张。前期实验通过Cascade R-CNN网络识别并检测肾小球。由高年资病理科医师对切割后的肾小球进行分类，将含有钉突样改变的肾小球视为钉突阳性，共492张图像；将不含有钉突样改变的肾小球视为钉突阴性，共523张图像。使用基于深度学习的DenseNet分类网络构建对肾小球钉突进行分类的人工智能模型。将数据集以8∶2分为训练集和测试集，模型性能通过测试数据集进行评估。使用经训练的DenseNet模型对图像进行测试。通过灵敏度、特异度和受试者工作特征曲线的曲线下面积(AUC)对训练后的模型进行评估。结果 基于DenseNet模型是正确检测到的是否有钉突的肾小球并对其进行二分类。根据测试结果得到召回率为98.00%,精确度为92.45%,准确率为95.00%,F1为95.15%。DenseNet模型表现出高性能，AUC为0.97。结论 DenseNet对肾小球钉突的二分类获得了较高的召回率、准确率和灵敏度，但精确度和特异度尚需进一步提高才能更好地辅助病理科医师诊断MN。

• 单位
  太原理工大学; 山西医科大学