使用泛光细分神经网络的自动参考基因组形测量与患者人口统计和肌素相关

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 计算病理学计算病理学
• 医疗成像医学成像

背景情况:

• 对于健康的人类脏的参考组织形态测量数据是稀缺的,因为手工量化挑战.
• 了解脏结构变异对于诊断和管理脏疾病至关重要.
• 需要自动化分析方法来提高组织形态测量的效率和准确性.

研究的目的:

• 开发和应用深度学习用于对健康人体脏组织的自动化体型测量分析.
• 调查组织形态测量与患者人口统计 (年龄,性别) 和血清肌素之间的关系.
• 为大规模对脏结构进行定量分析奠定基础.

主要方法:

• 开发了一种全视分段神经网络,以将脏结构分成数字化周期性酸-Schiff (PAS) 染色部分.
• 细分包括可活性/硬化性球粒,皮质/髓间隙,管道和动脉/动脉小板.
• 测量了形态参数,并使用回归分析将它们与年龄,性别和血清肌素相关联.

主要成果:

• 深度学习模型在所有脏区间实现了高细分精度.
• 在健康个体中观察到脏大小/密度,血管和间歇体的显著变化.
• 脏大小与血清肌素相关;脏血管和肠道表现出基于性别的差异;血球硬化增加,动脉密度随着年龄的增长而下降.

结论:

• 通过使用深度学习,对脏组织进行自动组织形态测量是可行的,并且非常精确.
• 即使在最小的病态脏中,组织形态测量参数也与患者的人口统计和血清肌素有显著的相关性.
• 这种深度学习方法提高了组织形态测量分析的效率和严格性,支持未来的大规模脏研究.