一种用户友好的机器学习方法用于评估心脏结构

科学领域:

• 心血管研究研究心血管研究
• 运动医学 运动医学
• 计算生物学 计算生物学

背景情况:

• 类固醇-雄激素类固醇的滥用在运动员中很普遍,已知对心肌和毛细血管有有害影响.
• 以前的研究通常依赖于定性数据,限制了可靠性并引入了偏见.
• 机器学习为复杂的生物数据提供了可访问的定量分析.

研究的目的:

• 量化评估运动和类固醇对心室毛细血管和肌细胞的影响.
• 展示一种用户友好的机器学习方法来分析病理学数据.
• 为了研究运动和类固醇类固醇在心脏微血管结构上的相互作用.

主要方法:

• 雄性Wistar大鼠被分为控制,仅炼,仅使用合成安卓类固醇和组合组.
• 对心脏组织进行了组织病理学分析.
• 机器学习算法 (在斐济的Trainable Weka Segmentation) 用于细分和量化毛细血管和肌细胞结构.

主要成果:

• 运动显著增加了毛细管密度和减少了毛细管间距离.
• 类固醇类固醇使用抵消了运动对毛细血管密度和毛细血管间距离的积极影响.
• 与对照组相比,单独使用类固醇类固醇并没有显著改变毛细血管密度.

结论:

• 可访问的机器学习工具使得对类固醇对心脏的影响进行定量分析,即使对于没有广泛编程技能的研究人员来说也是如此.
• 滥用类固醇可以否定运动对心血管的益处.
• 这种方法提供了可靠的,关于类固醇-类固醇对心脏结构不良影响的定量数据.