在H&E染色的老鼠骨髓组织中通过深度学习分析细胞性
Smadar Shiffman1, Edgar A Rios Piedra1, Adeyemi O Adedeji1
1Genentech Research and Early Development (gRED), Department of Safety Assessment, Genentech Inc., South San Francisco, USA.
Journal of pathology informatics
|September 25, 2023
概括
本研究引入了一种自动化的深度学习方法,用于在临床前安全评估中分析大鼠骨髓细胞性. 开发的管道准确地识别和量化关键细胞类型,帮助血液毒性评估和药物开发.
科学领域:
- * 计算机病理学
- * 临床前毒理学
- * 血液学 血液学
背景情况:
- *评估大鼠骨髓的细胞性对于临床前安全性评估至关重要.
- *手动分析整个幻灯片图像是耗时的,并且可能会发生变化.
- * 深度学习为自动化细胞细分和量化提供了潜力.
研究的目的:
- * 开发和验证一种基于深度学习的自动化方法,用于评估大鼠骨髓的细胞性.
- * 细分和量化巨核细胞 (MKC) 和小造血细胞 (SHC).
- *将这些模型整合到常规临床前安全评估的管道中.
主要方法:
- * 训练了一个浅CNN用于骨髓细分.
- * 用两个Mask R-CNN模型进行MKC和SHC细分.
- * 采用SegNet模型进行红细胞细分.
- * 开发了一个管道,以识别和计数整个幻灯片图像中的MKC和SHC.
- *与病理学家的共识和其他深度学习工具 (Cellpose,Stardist) 进行了自动计数和细分的比较.
主要成果:
- *该方法的性能与MKC细分和计数的病理学家共识相比较.
- *SHC细分和计数显示了接近中位数的得分,在病理学家内变异中部分重叠.
- *自动化方法提供了比Cellpose和Stardist更准确的SHC计数,协议范围更窄.
- * 管道的性能支持将其纳入常规血液毒性评估.
结论:
- *自动化的深度学习管道有效地评估大鼠骨髓的细胞性,以确保临床前的安全性.
- * 这种工具可以加快血液毒性评估,帮助药物开发.
- *该方法可以对骨髓图像进行潜在的元分析,并产生新的生物学见解.
