从快速的手动点注释中学习神经纤维状的精确细分
Sina Ghandian1,2,3,4, Liane Albarghouthi1,2,3,4, Kiana Nava5
1Institute for Neurodegenerative Diseases, University of California, San Francisco, San Francisco, CA, 94158, USA.
bioRxiv : the preprint server for biology
|October 10, 2024
概括
一种新的深度学习方法量化了阿尔茨海默病大脑组织中的神经纤维纠 (NFT). 这种可扩展的开源工具可以从数字幻灯片中进行详细的NFT分析,帮助研究疾病机制.
科学领域:
- 神经病理学神经病理学
- 计算生物学 计算生物学
- 人工智能的人工智能
背景情况:
- 由异常的蛋白组成的神经纤维状结 (NFT) 是阿尔茨海默病 (AD) 的关键病理特征.
- 准确量化NFT负担对于深入的表型和了解AD与临床,人口和遗传因素的关系至关重要.
- 在数字整体幻灯片图像 (WSI) 中手动分析NFT是劳动密集型的,容易变化,对于大型数据集是不可扩展的.
研究的目的:
- 开发和验证一种可扩展的,开源的深度学习方法,用于量化死后人类大脑组织WSIs中的NFT负担.
- 为了使NFTs的详细空间分布和形态分析能够以手工方法无法实现的规模进行.
主要方法:
- 一个语义细分模型被训练使用单点-每-NFT注释的兴趣区域从三个机构的AD病例的时间皮层WSIs的意义细分模型.
- 该模型旨在在单个像素层面上生成详细的NFT边界.
- 性能与深度物体检测模型进行了比较,两者与专家半定量分数相关.
主要成果:
- 语义细分模型在持有测试集上实现了接收器操作特征曲线下的面积为0.832,F1得分为0.527.
- 一个深度物体检测模型显示了相似的性能,比细分快60%的结果.
- 这两种深度学习模型都与专家半定量NFT负担得分在整个幻灯片层面有很强的相关性.
结论:
- 开发的深度学习管道提供了一种可扩展和准确的方法来量化阿尔茨海默病大脑组织中NFT负担.
- 这种开源工具促进了高通量,对NFT空间分布和形态学的详细分析,推进了AD研究.
- 这种方法克服了手动评估的局限性,使得人们能够更深入地了解阿尔茨海默病理及其相关性.
