在药物诱导性肝损伤的老鼠模型中应用使用基于Mask R-CNN的深度学习的多重发现细分的应用
Eun Bok Baek1, Jaeku Lee2, Ji-Hee Hwang3
1College of Veterinary Medicine, Chungnam National University, 99 Daehak-ro, Yuseong-gu, Daejeon, 34134, Republic of Korea.
Scientific reports
|October 16, 2023
概括
人工智能,特别是深度学习模型,可以准确地检测和量化大鼠多重肝损伤的发现. 一个结合多个发现模型在预测非临床研究中的组织病理病变方面取得了卓越的表现.
科学领域:
- 毒理学和病理学 毒理学和病理学
- 人工智能在组织病理学中的应用
- 生物医学图像分析
背景情况:
- 药物诱导性肝损伤 (DILI) 提出了诊断方面的挑战.
- 深度学习 (DL) 在预测肝脏发现方面表现有前途.
- 鉴定基因病理病变的量化对于DILI评估至关重要.
研究的目的:
- 开发和评估DL模型,用于检测和量化大鼠肝病变.
- 为了比较单个查找模型 (SFMs) 与组合多个查找模型 (MFM) 的性能.
- 评估DL在非临床DLI研究中的实用性.
主要方法:
- 基于R-CNN的DL算法被训练在老鼠肝脏的幻灯片图像上.
- 模型被训练来识别和量化毒剂诱导的病变,门区和结缔组织.
- 使用平均平均精度 (mAP) 和与病理学家注释的相关性来评估性能.
主要成果:
- 所有的SFM都实现了mAP>85%,表明成功建立模型.
- 该MFM表现出卓越的性能,总mAP为92.46%.
- MFM预测显示高相关性 (R平方值0.8520.999) 与各种发现的病理学家注释.
结论:
- 开发的MFM是一个强大的工具,用于检测和量化多个肝脏发现.
- 这种人工智能驱动的方法可以帮助基本的非临床DILI研究设置.
- DL提供了一个有前途的途径,以提高组织病理学分析的效率和准确性.
