通过深度学习,免受免疫组织化学作用的小鼠脏增强型组织病理学
Shima Mehrvar1, Kevin Maisonave1, Wayne Buck1
1AbbVie Inc., North Chicago, Illinois, USA.
Toxicologic pathology
|December 27, 2024
Insights
一个深度学习模型从H&E幻灯片中量化了脏区,改善了免疫系统的组织病理学. 这种人工智能工具提高了淋巴细胞组织毒理学评估的准确性和效率.
科学领域:
- 免疫毒理学 免疫毒理学
- 计算病理学计算病理学
背景情况:
- 在毒理学研究中评估淋巴细胞在淋巴体器官中的淋巴细胞种群是具有挑战性的,因为采样变异性和H&E染色的细胞学细节有限.
- 虽然免疫组织化学提供了明确的T细胞和B细胞特征,但常规毒理学评估仅依赖于H&E幻灯片.
研究的目的:
- 开发和验证一个深度学习模型,使用H&E染色幻灯片精确地对脏淋巴细胞组织进行分区特定的量化.
- 为了确定正常的脏淋巴细胞区面积和细胞度的定量基线.
主要方法:
- 在H&E染色的老鼠脏幻灯片上训练了一个深度学习模型,使用染色和双标签 (CD3,CD79a) 幻灯片的共同注册图像作为基本真相.
- 该模型在识别脏区的准确性方面得到了验证:大动脉周淋巴膜,卵泡,生殖中心和边缘区域.
主要成果:
- 深度学习模型在直接从H&E染色幻灯片中量化脏部分时,实现了高精度 (97.8%的子相似系数).
- 该模型被成功应用,以确定脏淋巴细胞区面积和细胞度的正常范围.
结论:
- 深度学习模型可以从常规的H&E幻灯片中准确量化脏淋巴体隔间,克服传统组织病理学的局限性.
- 这种方法在增强免疫系统组织病理学评估中,有可能提高准确性,精度和时间效率.
- 建议扩展到其他淋巴组织,并将其整合到常规的毒理病理学工作流程中.
抽象的
No abstract available in PubMed .
