通过基于深度学习的模型来定义小鼠性周期阶段的一致且有效的方法
L Strauss1, A Junnila1, A Wärri1
1Institute of Biomedicine, Research Centre for Integrative Physiology and Pharmacology, and Turku Center for Disease Modeling, University of Turku, Turku, Finland.
The Journal of endocrinology
|April 9, 2024
概括
使用一种新的深度学习模型,精确地对小鼠的雌激循环进行分期,分析数字阴道涂抹. 这种人工智能工具通过提供可重复的方法来确定前期,前期和前期的阶段来提高研究可靠性.
科学领域:
- 兽医科学 兽医科学 兽医科学
- 计算生物学 计算生物学
- 生殖生物学 生殖生物学
背景情况:
- 小鼠的雌性周期会影响生殖激素水平和实验结果.
- 精确的雌性周期分期对于可靠的雌性小鼠研究至关重要.
- 阴道涂抹的传统显微镜分析是耗时且主观的.
研究的目的:
- 开发一种准确且可重复的方法,使用数字全幻灯片图像 (WSIs) 来分阶段测量小鼠雌性周期.
- 为实现深度卷积神经网络 (CNN) 进行自动化雌性周期分期.
- 为了验证人工智能模型的性能与人类专家的评估.
主要方法:
- 在Aiforia Create平台上开发了一个CNN模型,用于阴道涂抹WSIs的语义细分.
- 训练CNN使用171个血素染色样本与像素级注释.
- 对来自三个独立研究的148个幻灯片进行了验证,并将CNN的结果与四名研究人员进行了比较.
主要成果:
- 该CNN模型显示出与人类评估者对整体雌性周期分期的良好一致性 (Fleiss kappa = 0.75).
- 在diestrus (0.89), estrus (0.79) 和 proestrus (0.74) 中实现了高卡帕值.
- 孕产妇分期显示较低的协议 (kappa = 0.26) 由于其短时间和模两可的定义.
结论:
- 开发的CNN模型提供了一个可靠和有效的工具,用于从数字阴道涂抹分类小鼠雌性周期阶段.
- 这种人工智能驱动的方法为手工显微镜评估提供了可重复的替代方案.
- 进一步精细化可能会改善转产期阶段的识别,提高模型在研究中的实用性.
