一种基于深度学习的新方法,用于对尸检脏样本的分析,用于在法医群体中研究质密度和大小的性别差异

科学领域:

• 法医病理学 法医病理学
• 数字病理学数字病理学
• 腎臟病學 (nephrology) 是一種醫學專業.

背景情况:

• 人工智能 (AI) 在法医科学中越来越多地用于受害者识别和死亡原因确定.
• 尸体解剖样本,特别是来自创伤性死亡和没有并发症的个体,为人工智能驱动的组织学分析提供了机会.
• 在法医群体中评估正常的组织学可以提供基线数据和对潜在的年龄或性别相关变异的见解.

研究的目的:

• 开发和验证一种基于深度学习的新方法,用于快速量化质细胞数量,密度 (GD) 和死后脏样本中的体积.
• 在没有已知的脏疾病的法医群体中调查膜参数 (GD,直径,面积,体积) 的潜在基于性别的差异.
• 探索质参数与年龄和体重等因素之间的相关性.

主要方法:

• 公司内部开发了一种深度学习算法,可以自动计算和测量数字化血素和以染的脏活检幻灯片中的质细胞.
• 对86例法医尸检病例 (年龄≥18岁) 进行了分析,这些病例没有病史,糖尿病或高血压.
• 淋巴细胞密度,数量,直径,面积和体积被量化并与性别进行比较,并与年龄和体重相关联.

主要成果:

• 深度学习方法在大型脏尸检活检中成功量化了淋巴细胞参数.
• 在男性和女性之间,在球密度,直径,面积或体积方面没有发现显著差异.
• 淋巴细胞密度与年龄,脏重量和淋巴细胞面积相反相关,而淋巴细胞面积和体积随着年龄的增长而增加.

结论:

• 开发的深度学习方法提供了一种快速而准确的方法,用于分析大型法医解剖样本中的组织学.
• 这项研究在检查的法医群体中没有发现基于性别的丸密度或大小的差异.
• 该方法有可能用于其他器官的组织学研究,并有助于在法医背景下了解正常的形态.