利用人工智能技术来区分Eucommiae皮层的处理水平,并评估抗疲劳潜力.
Yijing Pan1, Shunshun Wang1, Kehong Ming1
1Hubei Provincial Engineering Technology Research Center for Chinese Medicine Processing, School of Pharmacy, Hubei University of Chinese Medicine, Wuhan, 430065, China; Hubei Shizhen Laboratory, Wuhan, 430065, China.
Computers in biology and medicine
|November 17, 2024
概括
这项研究开发了一种深度学习图像分析方法,以准确地分类处理的Eucommiae皮质 (ECO). 适度加工的ECO在小鼠中表现出最好的抗疲劳作用.
科学领域:
- 传统中国医药 传统中国医药
- 药理学是指药理学,即药理学是指药理学.
- 计算生物学 计算生物学
背景情况:
- 尤科米亚皮层 (ECO) 是一种有价值的药用植物,需要特殊的加工才能有效.
- 处理方法对ECO的治疗效果有很大影响,需要进行质量控制.
- 目前的ECO识别方法是低效和侵入性的.
研究的目的:
- 开发一种准确,快速和非侵入性的方法,使用图像分析对加工的ECO进行分类.
- 为了评估不同级别加工的ECO的抗疲劳特性.
- 为了将基于图像的分类与功能性抗疲劳功效相关联.
主要方法:
- 包括ResNet和Vision Transformer (ViT) 在内的深度学习模型被训练在不同处理阶段的ECO图像上.
- 在小鼠中通过游泳耐力,杆登和生物化学标记 (SDH,LDH,ATP,Na+-K+-ATPase,Ca2+-Mg2+-ATPase) 评估了抗疲劳的有效性.
- 分析了不同处理级别的图像分类精度和抗疲劳性能.
主要成果:
- 视觉变压器模型在根据处理级别对ECO图像进行分类时实现了超过95%的准确性.
- 图像分析有效地为ECO质量评估提供了一种自动化和准确的方法.
- 与其他组相比,接受中度加工的ECO治疗的小鼠表现出优异的抗疲劳效益.
结论:
- 基于深度学习的图像分析提供了一个有希望的,非侵入性的工具,用于处理Eucommiae皮质的质量控制.
- 处理水平对于优化ECO.的抗疲劳特性至关重要.
- 进一步的研究可以利用人工智能来标准化传统草药.
