使用深度DUET改进纤维化的量化
Samuel Border1, Avi Rosenberg2, Jarcy Zee3
1University of Florida at Gainesville, J. Crayton Pruitt Family Department of Biomedical Engineering.
概括
在慢性病 (CKD) 中精确量化纤维化是至关重要的. 使用UNet++架构的新Deep-DUET模型改善了脏组织中的原检测,提供了比传统三色彩染色更可靠的方法.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 数字病理学数字病理学
- 医学成像分析 医学成像分析
背景情况:
- 精确量化纤维化对于评估慢性病 (CKD) 至关重要.
- 目前的黄金标准,三色彩染色,在可复制性和对细微纤维变化的敏感性方面存在局限性.
- 使用双模式发射和传播显微镜 (DUET) 染色血素和欧素 (H&E) 具有敏感原检测的潜力.
研究的目的:
- 开发和验证一种机器学习模型,以使用H&E染色的幻灯片准确地在像素级量化脏组织中的原蛋白.
- 克服手工原蛋白提取和传统染色方法的局限性.
主要方法:
- 使用UNet++架构 (Deep-DUET) 进行像素级分段和原量化.
- 在760个全幻灯片图像 (WSI) 补丁上训练了模型,这些补丁来自6个不同纤维化阶段的人类脏活检病例.
- 使用监督提取的原体面膜作为模型训练的基本真理.
主要成果:
- 深度DUET模型在预测原体信号范围时实现了0.05的平均平方误差 (MSE).
- 证明了高性能,平均曲线下面积 (AUC) 为0.94,用于识别原沉积区域.
- 该模型对可复制和敏感的原蛋白量化有希望.
结论:
- 深度DUET模型提供了一种敏感和可重复的方法,用于使用H&E染色脏组织量化脏纤维化.
- 这种人工智能驱动的方法有可能提高病理学家和机器学习工具在纤维化评估中的能力.
- 进一步扩展到整个幻灯片图像可以显著提高纤维化量化在临床实践中的可靠性.
