一种机器学习方法,用于自动化微心脏病和微出血查在血素和素染色的人类大脑组织中

科学领域:

• 神经病理学神经病理学
• 机器学习 机器学习
• 脑血管疾病 脑血管疾病

背景情况:

• 微心脏病发作和微出血是脑血管疾病的关键指标.
• 目前的神经病理学评估缺乏标准化的标准.
• 需要自动选方法来提高准确性和效率.

研究的目的:

• 开发和验证一个机器学习管道,用于自动查微发作和微出血.
• 为了提高准确性和减少虚假阳性,在整个幻灯片图像 (WSIs) 中识别这些病变.
• 为脑血管疾病标志物的WSI级查提供概念验证.

主要方法:

• 在WSIs上使用基于补丁的卷积神经网络管道,来自死后的人类大脑样本.
• 应用了多重视野预测步骤来最大限度地减少假阳性.
• 评估查性能 (区分积极和消极的WSIs) 和检测性能 (在WSIs内的定位).

主要成果:

• 拟议的机器学习方法实现了100%的选准确性.
• 通过有效减少假阳性,提高了检测精度.
• 在WSI水平上,在查脑血管疾病特征性脑部变化方面表现出高效.

结论:

• 开发的管道提供了一种新且高效的方法,用于自动查微发作和微出血.
• 这种方法可以帮助神经病理学家评估脑血管疾病.
• 需要对更大的队列进行进一步验证,但结果显示WSI分析具有重大前景.