微观计算机断层扫描与AI-CNN驱动的图像分析:通往表型白素诱导的肺损伤的途径
Ingrid Henneke1,2, Christina Pilz2, Jochen Wilhelm2,3
1Experimental Lung Disease Models Platform, Institute for Lung Health (ILH), Justus Liebig University (JLU), Giessen, Germany.
American journal of physiology. Cell physiology
|April 22, 2024
概括
使用AI-CNN肺部细分的微观计算机断层扫描 (μCT) 可快速,非侵入性地为小鼠提供白素诱导的肺损伤的表型. 这种工具有助于早期检测治疗效果,减少在研究中使用动物.
科学领域:
- 肺部医学 肺部医学
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 蓝素 (BLM) 用于诱导小鼠的肺损伤,作为炎症和纤维化的模型.
- 在BLM模型中的高可变性需要在实验期间准确的动物表型.
- 目前的表型化方法可能是侵入性的和耗时的.
研究的目的:
- 为了证明微观计算机断层扫描 (μCT) 与AI-CNN肺部细分相结合的实用性,用于快速表型化BLM小鼠.
- 通过这种新的成像方法来评估肺损伤的时间依赖的发展和进展.
- 为了将μCT衍生参数与已确定的肺损伤指标相关联.
主要方法:
- 在BLM给药后的第7天和第21天,对C57BL/6J小鼠进行了微观计算机断层扫描 (μCT).
- 使用卷积神经网络 (CNN) 的人工智能 (AI) 用于肺部细分.
- 用入侵性肺功能测试和组织学原蛋白含量分析进行了比较.
主要成果:
- 在接受BLM治疗的小鼠中,μCT揭示了逐渐的,依赖时间的肺损伤发展,影响了肺密度,空气与组织的比率和通风.
- 在右肺和左肺之间观察到损伤的不平等分布.
- μCT参数与侵入性肺功能和原蛋白含量有很强的相关性.
结论:
- 基于AI-CNN的μCT分析提供了BLM诱导的肺损伤的快速和准确的非侵入性表型.
- 这种方法有助于在药物开发过程中更早,更可靠地识别治疗效果.
- 这种方法可能会减少药理学研究中使用的动物数量.
