在白素诱导的肺纤维化小鼠模型中,优化了用于病理学家级评估的数字工作流
Toshiki Goto1, Akira Sano2, Shinichi Onishi3
1Research Division, Chugai Pharmaceutical Co., Ltd., 216 Totsuka-cho, Totsuka-ku, Yokohama-shi, Kanagawa, 244-8602, Japan.
Scientific reports
|January 20, 2025
概括
深度学习模型现在可以在白素诱导的肺纤维化小鼠模型 (BLM模型) 中准确评估肺纤维化. 这种人工智能方法提高了开发新型异常性肺纤维化 (IPF) 治疗方法的效率和可重复性.
科学领域:
- 肺部医学 肺部医学
- 计算病理学计算病理学
- 药物发现 药物发现 药物发现
背景情况:
- 异形性肺纤维化 (IPF) 是一种致命的肺病,原因不明.
- 蓝素诱导的肺纤维化小鼠模型 (BLM模型) 对于评估IPF疗法至关重要.
- 目前在BLM模型中对肺纤维化进行的组织病理学分析是耗时且主观的.
研究的目的:
- 在BLM模型中开发一个高效和可重复的工作流程来评估肺纤维化.
- 为准确的纤维化分级创建深度学习模型.
- 加强对IPF潜在候选药物的鉴定.
主要方法:
- 创建深度学习模型来对肺纤维化进行分级.
- 使用复杂的图像模式和定性因素 (例如,原体质地和分布).
- 模型准确性与专家病理学家评估的比较.
主要成果:
- 深度学习模型的准确性与人类病理学家相提并论.
- 开发的模型减少了观察者之间的和观察者内部的变化.
- 该方法在纤维化评估中提供了更高的颗粒度和可重复性.
结论:
- 基于深度学习的纤维化分级简化了用于肺纤维化的药物开发.
- 这种方法增强了IPF研究的BLM模型的评估.
- 人工智能方法有可能识别IPF的新型治疗点.
