S3-CIMA:监督的空间单细胞图像分析,用于在组织中识别与疾病相关的细胞类型组成
Sepideh Babaei1,2, Jonathan Christ3, Vivek Sehra1,4,2
1Department of Internal Medicine I, University Hospital Tübingen, Tübingen, Germany.
Patterns (New York, N.Y.)
|September 18, 2023
概括
新的人工智能模型S3-CIMA分析空间细胞数据,揭示疾病特异性的组织微环境. 这种工具有助于通过识别细胞相互作用来了解癌症和自身免疫性疾病.
科学领域:
- 空间生物学 空间生物学
- 计算病理学计算病理学
- 免疫学 免疫学 免疫学
背景情况:
- 组织微环境的空间细胞组织对于癌症和自身免疫性疾病等生理和病理过程至关重要.
- 从组织样本中分析复杂,高维的空间数据是具有挑战性的.
研究的目的:
- 引入S3-CIMA,一种弱监督的卷积神经网络模型,用于检测特定疾病的微环境组成.
- 证明S3-CIMA在分析结直肠癌和1型糖尿病的空间细胞状态组合中的实用性.
主要方法:
- 开发S3-CIMA,一个弱监督的卷积神经网络.
- 将S3-CIMA应用于高维蛋白质体成像数据,包括多重光显微镜和成像质细胞计.
- 对结直肠癌中的瘤微环境和1型糖尿病中的胰腺组织微环境的分析.
主要成果:
- 在结直肠癌中,S3-CIMA成功检测了癌症结果和细胞信号特异的空间细胞状态组合.
- S3-CIMA发现了与1型糖尿病相关的胰腺组织微环境中的疾病发病特异性变化.
- 该模型有效地分析了复杂的空间生物学数据集.
结论:
- S3-CIMA是一个强大的工具,用于发现新型疾病相关的空间细胞相互作用.
- 该模型有助于分析当前和未来的空间生物学数据集.
- 了解空间细胞组成是推动癌症和自身免疫性疾病研究的关键.
更多相关视频
09:31Automated Quantification of Hematopoietic Cell – Stromal Cell Interactions in Histological Images of Undecalcified Bone
Published on: April 8, 2015
11.6K
08:18Multiplexed Barcoding Image Analysis for Immunoprofiling and Spatial Mapping Characterization in the Single-Cell Analysis of Paraffin Tissue Samples
Published on: April 7, 2023
1.6K
