一种机器学习方法,用于量化老鼠脏中与年龄相关的组织学变化

科学领域:

• 计算病理学计算病理学
• 老年学是一门学科.
• 历史学 历史学 历史学

背景情况:

• 量化与年龄相关的组织学变化对于评估针对健康的干预措施至关重要.
• 现有的方法可能缺乏大规模衰老研究所需的可重现性和吞吐量.

研究的目的:

• 开发和验证一种机器学习架构,用于量化老年相关的小鼠脏组织学变化.
• 为组织学样本提供可复制和可量化的年龄得分.

主要方法:

• 训练了一种机器学习架构,以检测和量化老化的老鼠脏组织样本.
• 模型验证使用持有数据进行,并与来自老年病理学研究网络衰老分级方案的病理学家得分进行比较.
• 提供了经过训练的血素和乙素 (H&E) 染色幻灯片分类器,以及创建额外分类器的教程.

主要成果:

• 机器学习模型准确量化了老化相关的小鼠脏组织学变化.
• 模型的性能与专家病理学家的评估有很好的相关性.
• 该方法提供了可重现和可量化的年龄得分,独立于特定的病变.

结论:

• 开发的机器学习架构为量化小鼠衰老研究提供了高通量解决方案,特别是在脏组织中.
• 该工具有助于评估旨在延长健康寿命的干预措施.
• 提供的资源使其在组织学分析和分类器开发中得到更广泛的应用.