机器学习用于在尿诱导的肺损伤小鼠模型中的肺原蛋白的自动分类

科学领域:

• 生物医学工程 生物医学工程
• 计算病理学计算病理学
• 医学成像分析 医学成像分析

背景情况:

• 肺组织原失调对于了解肺病进展至关重要.
• 传统的组织病理学评分是主观的,不一致的,耗时的.
• 需要自动化评估来克服手工方法的局限性.

研究的目的:

• 开发和验证用于自动化肺原蛋白含量评分的机器学习框架.
• 将机器学习模型的性能与传统的手动评估进行比较.
• 提高诊断的准确性和对肺部疾病机制的理解.

主要方法:

• 使用第二波生成 (SHG) 显微镜进行肺幻灯片图像采集.
• 结合手工提取的原体特征与预先训练的VGG16模型的深度特征.
• 使用无监督学习技术 (K-means,PCA,t-SNE,UMAP) 进行图像分析.
• 训练和评估机器学习和深度神经网络模型,用于二进制和多标签分类.

主要成果:

• 支持矢量机 (SVM) 在二进制分类中实现了83%的准确性和0.96 ROC AUC.
• 多标签分类给出了不同治疗组的平均准确率,从73%到100%.
• 在小鼠模型中预测肺癌的高性能.

结论:

• 拟议的机器学习框架为自动肺原蛋白评分提供了强大而准确的方法.
• 这种方法有可能显著提高肺部疾病管理的诊断准确性和临床实践.
• 研究结果强调了统计和深度学习特征的整合对于定量纤维化评估的有用性.