开发一种深度学习工具,以支持对大鼠甲状腺囊细胞缩的评估

科学领域:

• 毒理学 毒理学 毒理学
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 甲状腺组织易受内分泌干扰物质的影响,造成健康风险.
• 鼠甲状腺组织病理学对于评估农业化学物质影响至关重要,但面临主观解释的挑战.
• 由于自然变异性,病理学家对低度甲状腺毛囊缩的评估可能不一致.

研究的目的:

• 开发基于深度学习的图像分析解决方案,用于定量评估大鼠甲状腺形态.
• 创建一种可靠的方法来评估内分泌干扰物质对甲状腺组织的影响.
• 为毒理病理学病理学家在识别甲状腺缩时提供决策支持.

主要方法:

• 利用U-Net卷积神经网络识别组织组件并划分单个甲状腺毛囊.
• 开发了经验模型来处理单个卵泡数据并生成甲状腺活动得分.
• 将毛囊的形态测量整合到一个定量评分系统中.

主要成果:

• 深度学习模型成功地识别和划分了个别的甲状腺毛囊.
• 开发的甲状腺活动得分表现出优于平均上皮质区域方法的优势.
• 量化得分显示,与现有方法相比,与病理学家的评估有更好的一致性.

结论:

• 开发的深度学习图像分析解决方案提供了一种定量和客观的方法来评估大鼠甲状腺缩.
• 这种工具可以提高评估农业化学物质对甲状腺影响的一致性和准确性.
• 该系统为病理学家提供了宝贵的决策支持,改善了低级别甲状腺变化的评估.