基于深度学习的H&E染色切片慢性子宫内膜炎自动检测模型研究

《BMC Medical Informatics and Decision Making》：Contrastive learning-guided multiple instance learning for automated diagnosis of chronic endometritis from digitized histopathology

　　

摘要

背景

慢性子宫内膜炎（CE）是一种常见但常被漏诊的子宫内膜炎症性疾病。本研究旨在开发并验证一种深度学习模型，用于直接从H&E染色切片中检测CE。

方法

采用757例不孕女性的回顾性数据集（257例CE和500例非CE）进行模型训练和内部验证。外部验证使用120例患者队列（40例CE和80例非CE）。若十个高倍视野中至少有一个视野观察到五个或更多CD138阳性浆细胞，则确诊为CE。该模型采用基于对比学习的多实例学习架构，以ResNet为骨干网络并引入注意力机制。模型性能通过五折交叉验证和外部测试进行评估。

结果

该模型在内部交叉验证中实现了69.5% ± 2.3%的平均诊断准确率和0.66的AUC值。在外部测试队列中，准确率保持可比水平为70.3%，AUC为0.69，召回率为49.09%。在内部和外部评估中，PathSENet在所有模型中均获得了数值上最高的AUC。

结论

该深度学习模型证明了直接从H&E染色全切片图像进行CE自动分类的可行性。然而，鉴于其有限的判别性能和召回率，目前应将其视为一种概念验证性的辅助筛查工具，而非CD138免疫组织化学的独立替代方案。在临床应用之前，仍需进一步优化模型并进行多中心验证。