使用深度学习的TEM微图分析揭示了APOE基因型特定的HDL粒子直径和阿尔茨海默氏症痴呆症之间的关联

科学领域:

• 生物医学成像技术 生物医学成像技术
• 人工智能在医学中的应用
• 纳米颗粒的特征化方法

背景情况:

• 高密度脂蛋白 (HDL) 颗粒径是各种疾病的关键生物标志物,包括阿尔茨海默病 (AD).
• 准确和高效地测量HDL颗粒大小分布仍然是临床诊断中的一个重大挑战.
• 现有的HDL尺寸分析方法往往缺乏大规模研究所需的精度和吞吐量.

研究的目的:

• 评估YOLOv7深度学习模型在精确测量高密度脂蛋白 (HDL) 颗粒直径方面的有效性.
• 为了比较YOLOv7方法的性能与HDL尺寸确定常规图像分析技术的性能.
• 调查HDL粒子大小分布与认知状态 (痴呆症与正常认知) 与阿波利波蛋白E (APOE) 基因型之间的关联.

主要方法:

• 利用YOLOv7深度学习模型分析了183个高清素样本的微图.
• 量化了超过180万个单个高清素粒子的直径.
• 将深度学习方法与传统图像分析软件进行比较,以获得准确性和效率.

主要成果:

• 与传统方法相比,YOLOv7深度学习模型在测量HDL粒子直径方面表现出更高的效率和准确性.
• 在患有痴呆症和APOE ε3ε4基因型的参与者中观察到较高的小HDL颗粒的患病率.
• 具有APOE ε3ε3基因型的个体在不同高密度胆固醇亚类的丰度中表现出更大的变异性.

结论:

• 深度学习,特别是YOLOv7,提供了一个准确且可扩展的方法,用于在大型临床样本集中测量个别高密度液体粒子直径.
• 高密度LDL粒子大小分布,特别是与APOE基因型结合,可能成为阿尔茨海默病的宝贵生物标志物.
• 这种方法可以扩展到描述疾病风险与其他20nm以下纳米粒子之间的关系.