利用预训练的机器学习模型来量化1型糖尿病的小岛.
Sanghoon Kang1, Jesus D Penaloza Aponte2,3, Omar Elashkar1
1Department of Pharmaceutics, Center for Pharmacometrics and Systems Pharmacology, Intelligent Critical Care Center, College of Pharmacy, University of Florida, Orlando, FL, USA.
Journal of pathology informatics
|December 25, 2024
概括
这项研究开发了一种人工智能驱动的工作流程,以使用整个幻灯片图像分析1型糖尿病 (T1D) 中的胰腺小岛细胞异质性. 该工具通过量化内分泌细胞组成和炎症来增强对T1D病变的理解.
科学领域:
- *内分泌学和糖尿病研究
- * 计算病理学 计算机病理学
- * 免疫组织化学和数字病理学
背景情况:
- *人类小岛在尺寸,细胞组成和结构上表现出显著的异质性.
- * 糖尿病胰腺器官捐赠者网络 (nPOD) 计划提供了广泛的免疫组织化学染色全幻灯片图像 (WSIs).
- * 了解小岛的异质性对于破译1型糖尿病 (T1D) 的自然史和病原性至关重要.
研究的目的:
- * 开发一种增强的机器学习辅助工作流程,用于分析nPOD资源中的WSI数据.
- * 量化内分泌细胞异质性和T细胞透在来自有或没有T1D的捐赠者的人类小岛上.
- * 创建一个用户友好的开源工具,用于对小岛病理的高吞吐量分析.
主要方法:
- * 使用QuPath软件作为WSI分析的主要接口.
- * 采用分段任何模型 (SAM) 进行精确的细胞边界细分和基于人工神经网络的像素分类器用于内分泌细胞细分.
- * 开发了一种编程来量化CD3+T细胞在小岛内和周围的透,识别炎症小岛.
主要成果:
- * 工作流通过使用SAM实现了每张幻灯片平均质量分数为0.91的细胞边界定义.
- * 像素分类器准确地细分了胰岛素和葡萄糖染色的细胞质区域.
- * 开发的方法使内分泌细胞和小岛炎症的快速,高通量定量成为可能.
结论:
- *成功开发了一种开源的机器学习辅助工作流程,用于分析WSIs中的小岛异质性.
- * 这种工作流促进了对内分泌细胞特征和炎症的快速和高通量确定.
- * 预计该工具将通过提供对小岛异质性的更深入的见解,加速对T1D内型和病原学的研究.


