细分算法可以用于检测SD老鼠肝纤维化.
Ji-Hee Hwang1, Minyoung Lim1, Gyeongjin Han1
1Toxicologic Pathology Research Group, Department of Advanced Toxicology Research, Korea Institute of Toxicology, Daejeon, 34114, Korea.
Laboratory animal research
|June 28, 2023
概括
面膜R-CNN在使用人工智能检测肝纤维化方面表现优异,在回忆方面表现优于DeepLabV3+和SSD. 这项研究突出了细分算法,用于准确的非临床纤维化预测.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 人工智能在医学中的应用
- 计算病理学计算病理学
背景情况:
- 肝纤维化,肝硬化早期阶段,是抗纤维素药物发现的关键目标.
- 目前的抗纤维素药物在临床试验中经常因不良反应而失败,需要强大的非临床评估方法.
- 使用人工智能 (AI) 来自动量化肝纤维化正在出现,但最佳算法性能仍然未被评估.
研究的目的:
- 评估和比较三种深度学习本地化算法 (R-CNN,DeepLabV3+和SSD) 在非临床研究中检测肝纤维化的性能.
- 在动物模型中确定最准确的AI算法来量化肝纤维化.
主要方法:
- 训练了三个深度学习算法 - - 面具R-CNN,DeepLabV3+和SSD - - 在5750张图像上,其中有7503张肝纤维化注释.
- 在大尺度图像上使用精度和回忆指标评估模型性能.
- 将算法预测与手动注释进行比较,以确保准确性.
主要成果:
- 面膜R-CNN获得了最高的回忆率 (0.93),证明了最接近肝纤维化检测手册注释的预测.
- DeepLabV3+表现良好,但错误地将肝纤维化分类为炎症细胞和结缔组织.
- SSD表现最差,回忆率为0.75,这表明预测肝纤维化的局限性.
结论:
- 基于细分的AI算法,特别是掩盖R-CNN,在非临床研究中显示出对准确的肝纤维化预测有重大前景.
- 人工智能驱动的图像分析可以增强在临床前环境中对抗纤维菌剂的评估.
- 建议进一步应用AI细分算法,以进行可靠的非临床肝纤维化评估.
