AT8標識タウ病理における実験的頭部外傷後の時間的段階の深層学習ベース分類

科学分野:

• 神経病理学
• 計算神経科学
• 生物医学イメージング

背景:

• タウオパチーは、異常なタウタンパク質の蓄積を特徴とする神経変性疾患である。
• 初期および中間段階のタウオパチーの定量化は、微妙な形態学的変化のために困難である。
• 外傷性脳損傷（TBI）はタウオパチーを誘発する可能性があるが、その時間的進行は十分に探求されていない。

研究 の 目的:

• タウオパチー進行の時間的段階を分類するための深層学習フレームワークを評価する。
• このタスクにおける異なる畳み込みニューラルネットワーク（CNN）アーキテクチャの性能を評価する。
• 制御されたTBIマウスモデルからのAT8染色された皮質顕微鏡画像にこのフレームワークを適用する。

主な方法:

• 3つのCNNアーキテクチャ（カスタム、InceptionV3、DenseNet）をAT8染色された顕微鏡画像でトレーニングした。
• 画像は、TBI後の4つの段階（1日、1週間、1ヶ月、3ヶ月）に分類された。
• データ前処理には、正規化、拡張、オーバーサンプリングが含まれ、性能は交差検証を使用して評価された。

主要な成果:

• DenseNetは最高の精度（70.9%）とマクロF1スコア（0.68）を達成し、1週間の段階で優れた識別能力を示した（F1=0.95）。
• すべてのモデルは最も早い段階（1日）で苦戦し、後の段階（1〜3ヶ月）で部分的な重複を示した。
• 結果は、深層学習が前臨床組織学におけるタウオパチーの病期分類を自動化できることを示唆している。

結論:

• DenseNetのような転移学習モデルを含む深層学習は、タウオパチーの自動時間的病期分類のためのスケーラブルな方法を提供する。
• このフレームワークはデジタル神経病理学の基礎を提供するが、一般化のためにはより大きなデータセットが必要である。
• 今後の作業では、早期検出と治療評価の改善のために、多施設データとスライドレベルモデリングに焦点を当てるべきである。