在阿尔茨海默病的大脑部分中,神经质斑块和神经纤维状的自动深度学习细分使用专有软件

科学领域:

• 神经病理学神经病理学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 目前的阿尔茨海默氏病 (AD) 诊断依赖于神经纤维状结 (NFT) 和神经性斑块 (NP) 的主观分析.
• 现有的方法忽视了这些神经病变病变的异质性.
• 对NFT和NP的客观量化对于准确的AD诊断至关重要.

研究的目的:

• 开发和验证一个深度学习工作流程,用于自动注释和细分NFT和NP在AD大脑部分的NFT和NP.
• 提高神经病理特征分析的质量和精度.
• 建立一个强大的AI模型来识别关键的AD生物标志物.

主要方法:

• 开发了一个使用U-Net卷积神经网络的深度学习工作流程,用于自动细分.
• 一个人工智能驱动的代程序增强了专家验证的注释数据集.
• 分析了来自多个生物库的全片图像 (WSI),其组织质量各不相同.

主要成果:

• 人工智能工作流实现了高准确性和一致性在细分NFT (子得分:0.81) 和NP (子得分:0.77).
• 通过代数据集生成过程,注释质量提高了50%以上.
• 该模型在各种病例和组织状况中显示出强大的概括性能.

结论:

• 人工智能驱动的深度学习比AD中神经病理特征的传统半定量分析有显著的改进.
• 开发的工作流使NFT和NP的精确细分成为可能,提高了诊断能力.
• 这种方法有助于创建高度准确的模型,用于识别大脑组织中的AD标记物.