一个弱监督的深度学习框架,用于整个幻灯片分类,以促进动物研究中的数字病理学
Nicole Bussola1, Joshua Xu2, Leihong Wu2
1Center for Integrative Biology, University of Trento, Trento 38123, Italy.
Chemical research in toxicology
|August 4, 2023
概括
病理学AI使用人工智能 (AI) 进行自动化动物病理幻灯片分析,减少时间和成本. 这种弱监督的人工智能系统在没有像素级注释的情况下,在大鼠研究中准确地预测肝脏缩.
科学领域:
- 数字病理学数字病理学
- 毒理学 毒理学 毒理学
- 在临床前研究中的人工智能.
背景情况:
- 动物研究幻灯片的手动组织病理学检查是耗时的,容易引起观察者间的变化.
- 目前的人工智能模型培训需要昂贵的像素级注释,这些注释往往无法用于动物病理学.
- 自动化分析可以提高毒性评估的效率,一致性和准确性.
研究的目的:
- 开发和评估PathologAI,一个监督较弱的人工智能系统,用于在老鼠肝病理中对整个幻灯片图像 (WSIs) 进行分类.
- 为了能够准确地预测肝脏亡,而不需要像素级的病变注释.
- 为临床前毒理学研究提供一个快速且具有成本效益的选工具.
主要方法:
- 开发了PathologAI,一种弱监督的WSI分类方法,使用生成对抗网络 (GAN) 进行级预处理.
- 使用了5个卷积神经网络 (CNN) 分类器的组合模型,这些分类器在来自开放TG-GATE系统的老鼠肝脏成像数据上受过训练.
- 应用该系统来预测816个WSI的亡,包括377个对照,来自涉及170个化合物的研究,在各种剂量和时间点.
主要成果:
- 取得了显著的分类准确度:87%的对照没有发现,83%的对照自发性亡.
- 对于自发性最小/轻微亡的受治疗动物,证明精度为67%,对于治疗诱导的最小/轻微亡,精度为59%.
- 成功地区分了自发性和与治疗相关的亡,区分了轻度病变水平,并确定了治疗剂量水平.
结论:
- 病理学AI提供了一种有效的,弱监督的方法,用于动物病理学中的自动化WSI分类.
- 该系统为在临床前和毒理学研究中进行数字病理学分析提供了一个廉价和快速的查工具.
- 人工智能驱动的分析可以克服手动幻灯片检查的局限性,提高一致性和效率.
