ARCH PATHOL LAB MED：深度学习卷积神经网络可以识别

目前你，大多数的深度学习(DL)研究都集中在肿瘤病理学上，而基本上没有涉及炎症病理学的领域。本研究探讨了DL在非肿瘤性胃活检中的应用。

本研究由2名胃肠病理学家盲法建立金标准诊断。对于第一阶段，对300例最能显示所需病理的经典病例（100例正常病例、100例幽门螺杆菌病例、100例反应性胃病病例）进行扫描和注释，进行DL分析。每组共选取70%的病例进行训练集，30%纳入测试集。该软件为测试活检指定了彩色标签，该标签对应于DL算法指定诊断的组织面积，称为面积分布(AD)。在第二阶段，另外106个连续的非经典胃活检以同样的方式测试。

对于第一阶段，受试者操作曲线显示与金标准诊断几乎完全一致，AD的截止率为50%(曲线下面积[AUC] = 99.7%)和幽门螺杆菌(AUC = 100%)，40%为反应性胃病(AUC = 99.9%)。敏感性/特异性配对如下:正常(96.7%，86.7%)，幽门螺杆菌(100%，98.3%)，反应性胃病(96.7%，96.7%)。对于第二阶段，受试者工作曲线的区分度稍低，诊断组的最佳AD截止率降低到40%。auc为正常的91.9%，幽门螺杆菌为100%，反应性胃病为94.0%。敏感性/特异性组如下:正常组(73.7%，79.6%)，幽门螺杆菌组(95.7%，100%)，反应性胃病组(100%，62.5%)。

研究表明，卷积神经网络可作为有效的幽门螺杆菌胃炎筛查工具/诊断辅助。

原始出处：

David R. Martin, MD; Joshua A. Hanson, MD;A Deep Learning Convolutional Neural Network Can Recognize Common Patterns of Injury in Gastric Pathology