换一批基于深度学习的肾活检超微病理特征分类模型的构建与验证
Construction and validation of a deep learning-based classification model for ultramicro-pathological features in renal biopsy
摘要目的:构建并验证一种肾活检透射电子显微镜(TEM)图像超微病理特征分类模型,旨在实现多种超微病理特征的自动识别与区分,为病理专家提供有效的肾活检TEM图像分析辅助工具.方法:使用采集自广州华银医学检验中心的700例肾活检病理数据进行实验验证,数据以3∶1∶1的比例随机划分为训练集、验证集和测试集;基于ConvNeXt与Transformer方法,提出融合边缘特征增强、语义分组聚合机制及自回归分类策略的SAGP-CXTNet模型;为量化模型性能,以汉明损失、子集准确率、F1分数为主要评价指标,评估模型在肾活检TEM图像上进行多标签分类的效果.结果:SAGP-CXTNet模型在测试集上汉明损失、子集准确率与F1分数分别达到(14.07±1.55)％、(40.14±2.73)％、(76.13±3.01)％,优于经典模型;对比实验显示模型各模块的效果优于传统改进方式;消融实验显示模型各模块的加入均能提升模型效果,汉明损失降低了 1.24％与0.87％,子集准确率提升了1.85％与6.28％,F1分数提升了 1.12％与1.16％.结论:SAGP-CXTNet模型对5类超微病理特征共10种标签已实现较高精度的分类,有望通过AI辅助为临床病理分析肾活检TEM图像提供帮助.
更多相关知识
关键词
肾活检超微病理特征多标签分类深度学习renal biopsyultramicro-pathological featuresmulti-label classificationdeep learning
栏目名称
DOI
10.11778/j.jdxb.20250160
发布时间
2026-04-28（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（32071368）
国家级大学生创新创业训练计划项目（202412121052）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
