在以深度学习为基础的基因组学语义细分的伊斯凯米亚-再输液损伤小鼠模型中量化急性损伤
Andreea Luchian1, Katherine Trivino Cepeda2,3, Rachel Harwood4
1Department of Veterinary Anatomy Physiology and Pathology, Institute of Infection, Veterinary and Ecological Sciences, Faculty of Health & Life Sciences, University of Liverpool, Liverpool, CH64 7TE, UK.
Biology open
|August 29, 2023
概括
这项研究引入了一个卷积神经网络 (CNN),用于在缺血症-再输液损伤 (IRI) 后精确细分损伤. 人工智能模型准确量化了损害,为传统方法提供了客观的替代方案.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 医疗成像医学成像
- 计算病理学计算病理学
背景情况:
- 缺血-反损伤 (IRI) 是急性损伤 (AKI) 和末期病 (ESKD) 的主要原因之一.
- 目前在IRI中评估损伤的方法是半定量和主观的.
- 需要客观和精确的方法来评估病理.
研究的目的:
- 开发和验证一个卷积神经网络 (CNN) 用于在IRI之后细分小鼠脏结构.
- 用CNN生成的病理测量量来量化损伤.
- 将基于CNN的量化与传统的评分方法进行比较.
主要方法:
- 美国有线电视新闻网 (CNN) 的一个模特被训练在小鼠脏部分分隔病理学课程.
- 病理学测量来自基于CNN的细分.
- 在统计学上,CNN产生的分数与半定量评估相关.
- 使用热图可视化病理特征的分布.
主要成果:
- 在细分病理学类别 (F1分数>0.75) 中,CNN取得了高准确度,对于淋巴管和近道管 (F1分数>0.90) 的表现非常出色.
- 来自CNN的评分与传统的半定量评估有很强的相关性 (斯皮尔曼的rho=0.94).
- 热图有效地局部化了关键的病理发现,如内亡和内管.
结论:
- 一个CNN模型可以准确地细分多种病理,包括IRI特定的变化,在整个小鼠脏部分.
- 基于CNN的分析提供客观和定量病理测量.
- 这种方法为IRI后损伤的空间分布提供了有价值的见解.
