在Cynomolgus Macaque丸的组织部分中基于深度学习的精子生成分期

科学领域:

• 生殖毒理学 生殖毒理学
• 计算病理学计算病理学
• 灵长类的生殖生物学

背景情况:

• 评估男性生殖毒性需要评估丸组织学.
• 精卵管的微观分期至关重要,但主观和劳动密集.
• 数字病理学和人工智能为自动化复杂的组织学评估提供了潜力.

研究的目的:

• 开发和验证一个深度学习模型,用于在Cynomolgus子丸中自动分期精卵管.
• 提高生育不良影响评估的效率和客观性.
• 探索从自动化分析中获得的阶段频率图的实用性.

主要方法:

• 开发一种深度学习模型,利用丸组织部分的数字整体幻灯片图像 (WSIs).
• 在六个WSI上验证模型,使用六个阶段的精子发生因子分类系统.
• 量化分析模型的性能,分期平均每个WSI. 4938种子管穿越截面.

主要成果:

• 深度学习模型在注释管阶段方面实现了高灵敏度,精度和准确性.
• 平均而言,78%的精子管道在WSIs中准确地分阶段.
• 该模型有助于创建阶段频率图,详细说明精子生成阶段的分布.

结论:

• 丸WSIs的自动深度学习分析可以准确地分期精卵管.
• 这种人工智能驱动的方法支持病理学家进行阶段意识评估,并可能有助于进行生殖毒理学研究.
• 需要进一步的研究来确定阶段频率图的诊断价值,特别是在发生精子发生障碍的情况下.