通过监督物体检测提高了气周期分阶段的准确性
bioRxiv : the preprint server for biology
|May 20, 2024
概括
机器学习准确地识别了雌性哺乳动物的雌性周期阶段. 对象检测雌性分期 (ODES) 提高了女性健康研究的研究效率和可靠性.
科学领域:
- 生殖生物学 生殖生物学
- 计算生物学是一种计算生物学.
- 兽医科学是一门兽医科学.
背景情况:
- 雌性周期对雌性哺乳动物的生殖和健康至关重要,影响研究结果.
- 通过阴道细胞学进行传统的雌性周期监测是耗时的,容易出现准确性问题.
- 精确的雌性周期分期对于解释涉及女性受试者的研究结果至关重要.
研究的目的:
- 评估机器学习的可行性和可靠性,用于性周期分期.
- 开发和评估一个对象检测模型,用于自动化气周期分类.
- 提高研究环境中气周期监测的准确性和效率.
主要方法:
- 开发了一种物体检测模型,即物体检测静态分期 (ODES).
- 一个数据集555小鼠阴道细胞学图像与各种染色被注释.
- 在图像数据集上训练,验证和测试了ODES模型.
主要成果:
- 在分类雌性循环阶段时,ODES的平均准确率为87%.
- 该模型在3.9分钟内分析了175张测试图像.
- 机器学习显著优于先前的模型 (33-45%的准确度) 和人类的准确性 (66%).
结论:
- 机器学习,特别是ODES,提供了一种可靠和高效的方法来监测雌性循环.
- 这项技术增强了涉及雌性哺乳动物的研究中的研究实践.
- 精确的雌性周期识别可以提高科学发现的质量和解释性.
