基于 ANA IIF 图像的人工智能应用与商业系统性能比较：为资源受限实验室诊断带来新希望

为解决许多资源有限的实验室无法使用昂贵的自动化分析商业系统进行抗核抗体（ANA）间接免疫荧光（IIF）成像分类的问题，研究人员开展了利用微软 Azure 人工智能应用对 ANA IIF 图像分类的研究。结果显示 Azure 模型在部分模式识别上有优势，但还需进一步测试，这为资源受限实验室诊断提供了新方向。

　　通过间接免疫荧光（IIF）成像对抗核抗体（ANA）进行准确且易于获取的分类，对于自身免疫性疾病的诊断至关重要。然而，许多实验室，尤其是资源有限的实验室，无法使用昂贵的商业系统进行自动化分析。本研究评估了由专家医生开发的、利用人工智能应用（微软 Azure）对 ANA IIF 图像进行分类的应用程序的性能。研究人员将结果与 EuroPattern 进行比较，以评估人工智能在协助实验室专家，特别是在资源有限的环境中的潜力。研究使用了来自 EuroPattern 档案库的 648 张 ANA IIF 图像，训练了一个涵盖 9 个类别（荧光强度从 + 到 ++++ 不等）的人工智能模型。用 96 张图像进行测试，排除混合模式以确保结果清晰。使用微软 Azure 的自定义视觉服务进行标记和预测，并对专家评估、EuroPattern 结果和人工智能分类进行比较。EuroPattern 和基于 Azure 的人工智能模型在阳性和阴性判别方面均达到了 100% 的灵敏度、特异性和准确性。EuroPattern 的组内相关系数（ICC）为 0.979，而基于 Azure 的人工智能模型的 ICC 为 0.948，表明其性能略低。EuroPattern 在识别均质、斑点、着丝粒和致密细斑点模式方面优于基于 Azure 的人工智能模型，而基于 Azure 的人工智能模型在识别细胞质网状 / 抗线粒体抗体（AMA）样模式方面表现更好。研究结果表明，像 Azure 这样基于人工智能的图像分析工具，对资源有限的实验室的诊断可能具有重要价值。不过，还需要使用更大的数据集和常规患者样本进行进一步测试，以确认其在现实临床环境中的有效性。