基于人工智能的组织细分和细胞识别在多重染色组织内膜异位症截面中的细胞识别

科学领域:

• 生殖医学和病理学
• 计算生物学和生物信息学
• 人工智能在组织病理学中的应用

背景情况:

• 子宫内膜异位症是一种复杂的妇科疾病,具有显著的患者和亚型变化.
• 了解子宫内膜异位症组织组成需要精确的细分和细胞计数.
• 目前的组织学分析方法可能无法完全捕捉子宫内膜异位症的复杂性.

研究的目的:

• 建立一个最佳的方法,用于组织细分和细胞计数在多通道染色子宫内膜异位症的部分.
• 利用人工智能进行子宫内膜异位症的自动组织学分析.
• 提高对子宫内膜异位症组织组成和细胞构成的理解.

主要方法:

• 使用了来自八名患者的甲固定,嵌子宫内膜异位症组织样本.
• 开发了一个6个复合体的免疫光面板,用于多重免疫组织化学的核染料.
• 采用基于人工智能的组织和细胞表型,包括用于细分的机器学习和用于细胞识别的深度学习.

主要成果:

• 一个针对子宫内膜异位症的多重面板 (PanCK,CD10,α-SMA,calretinin,CD45,Ki67,DAPI) 成功地区分了组织结构.
• 机器学习提供了可靠的组织亚结构细分.
• 一个没有细分的深度学习算法在细胞识别方面表现出了卓越的性能.

结论:

• 机器学习用于组织细分和深度学习用于细胞识别的综合方法在自动化子宫内膜异位症组织学中提供了高性能.
• 多重染色与基于人工智能的细胞表型结合,显示出对子宫内膜异位症研究的巨大潜力.
• 深度学习方法在未经训练的组织类型中表型细胞的能力凸显了它对异质子宫内膜异位症样本的有用性.