用于抗核抗体间接免疫荧光(antinuclear-antibody indirect immunofluorescence, ANA-IIF)图案自动化分类的人工智能(deep learning, DL)方法研究

《EULAR Rheumatology Open》:Artificial intelligence for automated classification of antinuclear-antibody indirect immunofluorescence patterns

【字体: 大 中 小 】 时间:2026年01月14日 来源:EULAR Rheumatology Open

编辑推荐:

  摘要:本研究旨在利用多级深度学习方法(deep learning, DL)分类框架解读抗核抗体间接免疫荧光(antinuclear-antibody indirect immunofluorescence, ANA-IIF)图案。研究人员开展了一项为期18个月

  
摘要:本研究旨在利用多级深度学习方法(deep learning, DL)分类框架解读抗核抗体间接免疫荧光(antinuclear-antibody indirect immunofluorescence, ANA-IIF)图案。研究人员开展了一项为期18个月的前瞻性观察性研究,开发并验证ANA-IIF图案(N=803)分类算法,重点关注含国际抗核抗体图案共识(International Consensus on Antinuclear Antibody Patterns, ICAP)标准图案AC-1至AC-5的阳性样本及阴性样本,排除混合或非共识图案。研究人员对八种卷积神经网络(convolutional neural network, CNN)架构与一种多级DL分类框架进行基准测试——该框架先判断图像为阳性或阴性图案,再区分中期(metaphase)有无着色,最后分别对着色组和非着色组进行亚分类。所有模型采用90:10训练—测试划分并结合5折交叉验证进行训练和评估。结果显示,基于预训练权重(pre-trained weights, ImageNet初始化)的多级YOLOv8模型在各阶段均表现优异,准确率分别为98.02%±0.49%(阳/阴二分类)、96.57%±0.57%(中期着色与否二分类)、87.22%±1.11%(中期着色组内AC-1/AC-2/AC-3三分类)和92.35%±1.5%(中期非着色组内AC-4与AC-5二分类),总体准确率为92.27%±1.01;相比之下,六类单步(single-step multiclass)YOLOv8预训练模型总体准确率为87.16%±1.0%,多级YOLOv8模型持续优于其他CNN架构,平均准确率差异达45.86%±1.25。结论:本研究证明了以临床医师诊断思路为导向设计、实现DL模型(尤指YOLOv8)用于抗核抗体(antinuclear antibody, ANA)图案分类的优势;分层多级(hierarchical multistage)方法可有效应对ANA诊断固有的复杂性,较其他CNN架构及单步多类分类器性能更优。
论文解读:用于抗核抗体间接免疫荧光(ANA-IIF)图案自动化分类的深度学习方法研究
抗核抗体(antinuclear antibody, ANA)检测采用间接免疫荧光(indirect immunofluorescence, IIF)法是诊断系统性自身免疫性风湿病的金标准,但其图案判读具有主观性,不同观察者间存在显著的判读差异(interobserver variability)。国际抗核抗体图案共识(International Consensus on Antinuclear Antibody Patterns, ICAP)试图规范化命名与报告,但仍难以完全消除主观误差。近年来深度学习(deep learning, DL)与卷积神经网络(convolutional neural network, CNN)在医学影像分析中展现出潜力,但在ANA-IIF图案分类中,针对先进模型如YOLOv8在分层(hierarchical)框架下的系统性基准测试和验证仍不充分。单步多类分类模型在处理ANA图案类间相似度高、类内差异大的问题时往往表现不佳。因此,Jain H等研究人员开展此项研究,旨在构建并验证一种模拟临床医师判读思路的分层多级(hierarchical multistage ANA, hmsANA)深度学习分类框架,用于ICAP标准AC-1至AC-5图案及阴性样本的分类,并比较其与传统单步六类分类模型及其他经典CNN架构的性能差异。研究结果表明,基于预训练YOLOv8的多级分类框架总体准确率达92.27%±1.01,显著优于单步模型和其余七种CNN架构,为临床免疫学实验室引入AI辅助ANA-IIF判读提供了有力依据。该论文发表于《EULAR Rheumatology Open》。
主要关键技术方法:
研究人员收集印度某三级医院临床免疫学实验室18个月内处理的ANA血清标本共3712份,经三名经验丰富的观察者按ICAP标准独立判读并达成共识后,纳入符合ICAP AC-1~AC-5的阳性标本及阴性标本共803例(阳性704例,阴性99例),排除混合图案、超范围图案及无共识标本。HEp-2细胞IIF图像只保留绿色荧光通道并进行最小—最大归一化,按分层(stratified)原则划分为90%训练集与10%独立测试集,训练集行5折交叉验证。构建两类模型:①六类单步多类分类器(直接分阴性、AC-1~AC-5);②四级分层多级分类器(hmsANA)——Level-0阴性vs阳性二分类,Level-1中期(metaphase)着色vs未着色二分类,Level-2a中期着色组内AC-1(均质homogeneous)/AC-2(斑点speckled)/AC-3(着丝粒centromere)三分类,Level-2b中期未着色组内AC-4(细斑点fine speckled)/AC-5(粗斑点coarse speckled)二分类。分别训练从零初始化的基础(base model, BM)与加载ImageNet权重的迁移学习(transfer learning, TL)版本,共测试8种CNN架构(VGG19、Inception-v3、ResNet50V2、DenseNet-121、Xception、Inception-ResNet-v2、MobileNetV2及YOLOv8),以准确率(accuracy)、精确率(precision)、召回率(recall, 即灵敏度sensitivity)、F1值及受试者工作特征曲线下面积(area under the ROC curve, AUC)评估性能。
研究结果
YOLOv8-based hmsANA with a base and TL regime outperforms 7 other CNN models in predicting ANA patterns
将所提出的分层多级分类流程与7种其他CNN架构及六类单步基线模型进行基准比对,YOLOv8在各级及总体性能上均最优。
Baseline performance (6-class classification)
在六类单步分类任务中,YOLOv8基础模型准确率为76.54%±0.68%,迁移学习预训练YOLOv8提升至87.16%±1.0%,均高于其余架构;其余CNN模型基础版最高仅约23.7%,说明单步多类分类对ANA图案区分难度大,YOLOv8相对更适合此任务。
Performance of the hierarchical multistage YOLOv8 models
预训练YOLOv8在hmsANA各层级表现如下:Level-0(阴性vs阳性)基础YOLOv8准确率98.77%±0.68%(预训练版98.02%±0.49%),AUC≈0.99;Level-1(中期着色vs未着色)预训练YOLOv8准确率96.57%±0.57%,AUC≈0.99;Level-2a(AC-1 vs AC-2 vs AC-3)预训练YOLOv8准确率87.22%±1.11%,各类AUC分别为0.96、0.94、0.99;Level-2b(AC-4 vs AC-5)预训练YOLOv8准确率92.35%±1.5%,AUC≈0.98。hmsANA预训练YOLOv8总体准确率为92.27%±1.01。除Level-0外,迁移学习均带来性能提升,且YOLOv8全面优于其他CNN架构(次优模型在各层级最高准确率仅为81.73%、52.29%、46.67%、55.29%)。
Performance analysis of CNN architectures other than YOLO
非YOLO架构在六类单步任务中表现差(最高≈23.7%),在分层任务中虽有改善但仍远低于YOLOv8;迁移学习对其影响不一致(部分模型提升、部分下降),且在区分视觉相似的AC-4与AC-5(Level-2b)及AC-1/AC-2/AC-3(Level-2a)时尤其薄弱,最佳非YOLO模型Level-2b准确率仅55.29%。
讨论与结论总结
讨论部分指出,将YOLOv8嵌入hmsANA分级流程可逐级分解复杂ANA图案识别问题,先做大类划分再细化亚类,有效降低了直接多类分类的混淆,总体准确率(92.27%)与既往文献中较高水平相当。与其他已发表ANA-AI研究相比,本研究的阴/阳二分类准确率达98%,AC-1和AC-3的精确率与召回率具竞争力;预处理中仅保留绿通道并归一化,兼顾效率与性能,适合临床高通量环境。局限性包括AC-4与AC-5因形态近似仍存一定混淆、未纳入核仁型及胞浆型等复杂图案、分层模型训练验证相对复杂。未来方向包括扩充细斑点图案训练数据、尝试注意力机制或集成方法、在真实临床场景中验证泛化能力及整合临床数据以提升混合图案识别。
结论(Conclusions):本研究证明采用深度学习——特别是YOLOv8等先进模型——进行抗核抗体(ANA)图案分类的可行性及优势;分层多级(hierarchical multistage)分类策略可有效解决ANA诊断中固有的图案复杂性问题,性能优于其他CNN架构及单步多类分类器。经进一步完善,此类AI系统有望显著提升临床免疫学实验室ANA检测的准确度与效率,助力自身免疫病的早期诊断和处置。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号