Artificial Intelligence-Assisted Detection of Gastrointestinal Cytomegalovirus Infection in Biopsy Specimens Using Immunohistochemistry-Validated Deep Learning
本研究提出并验证了一种人工智能驱动的系统（EasyPath），该系统通过利用经免疫组化验证的训练数据，显著提高了对活检标本中胃肠道巨细胞病毒感染的检测能力，尤其是在具有挑战性的低载量病例中实现了高灵敏度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在人类组织的微观世界中，医生依靠一种标准的视觉检测方法来寻找疾病的迹象。他们提取一小块组织样本，用紫色和粉色的染料进行染色，然后将其置于显微镜下观察。这种被称为苏木精-伊红（hematoxylin and eosin）染色的方法，使他们能够观察细胞的形状和结构。然而，这种视觉方法存在一个盲点。有时，感染的迹象非常微弱，或者受感染的细胞数量如此之少，以至于即使是受过训练的人眼也可能漏掉它们。在处理一种被称为巨细胞病毒（CMV）的常见病毒时，这是一个关键问题。虽然这种病毒通常在健康人体内无害地潜伏，但它会在免疫系统虚弱的人群中苏醒并攻击消化系统，导致剧烈疼痛、出血和危及生命的并发症。及早发现这些隐藏的感染至关重要，但目前的观察方法并不完美，且往往需要使用特殊的化学标记物来突出显示病毒，从而进行额外的、耗时的检测。
一个研究小组开发了一种新方法，利用人工智能来帮助病理学家发现这些隐藏的感染。他们创建了一个计算机系统，充当高度专注的“第二双眼睛”，通过扫描组织样本的数字图像来捕捉病毒。他们面临的挑战是如何让计算机以绝对的确定性识别出病毒。过去，计算机通过观察由人类专家标注的图片来进行学习，但人类专家有时会产生分歧或忽略细微之处。为了解决这个问题，研究人员使用了一种巧妙的技术来创建一个完美的“标准答案”。他们对同一张物理组织切片进行扫描，洗掉原始的紫色和粉色染色，然后用一种能使病毒发光的特殊化学物质进行重新染色。这使他们能够准确看到哪些细胞含有病毒，并将这些细胞与原始图像进行匹配，从而创建了一张关于感染位置的完美地图。
利用这张精确的地图，该团队训练了一个计算机模型，使其能在原始的未染色图像中识别出病毒。他们在一百个不同的组织样本上测试了该系统，其中包括病毒大量存在的情况以及病毒极其稀少的情况。结果显示，该计算机的表现非常出色。它成功识别了几乎所有存在的病毒病例，捕捉到了百分之九十四的感染。在病毒细胞较多的情况下，它的表现近乎完美；而在病毒稀疏且难以观察的情况下，它仍能找回百分之八十的病例。此外，在没有病毒存在的百分之八十案例中，它也正确识别了健康组织。虽然它偶尔会将健康细胞标记为可疑，但这些误报对于人类病理学家来说，在仔细检查后很容易予以排除。整个过程每张切片仅需不到一分钟，这仅为人类彻底审查相同样本所需时间的极小部分。
这项研究表明，这项技术可能会改变医生处理这些困难诊断的方式。病理学家不再需要猜测患者是否需要额外的化学检测，而是可以先将样本通过这个计算机系统运行。如果计算机发现了病毒，则确认诊断。如果计算机没有发现任何东西，病理学家就可以更有信心地认为病毒确实不存在，或者可以将注意力集中在计算机标出的特定区域。这种方法并不是要取代人类医生，而是作为一种支持，确保不会因疲劳或疾病的隐匿性而漏掉任何感染。通过将计算机的速度和一致性与人类专家的判断力相结合，研究人员相信他们可以降低漏诊危险性，并提高额外检测的效率。尽管这项工作目前仍是来自单一医院的概念验证，但它为未来提供了一条清晰的路径——即利用技术帮助医生看到那些此前过于微小或过于模糊的事物。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。