相关实验视频

Updated: Jul 30, 2026

In Vivo Modeling of the Morbid Human Genome using Danio rerio

In Vivo Modeling of the Morbid Human Genome using Danio rerio

Published on: August 24, 2013

用可扩展的注释工具和高精度模型对阿尔茨海默病病理学的可概括预测

Vivek Gopal Ramaswamy, Monika Ahirwar, Gennadi Ryan

medRxiv : the preprint server for health sciences

|February 20, 2025

概括

这项研究引入了用于阿尔茨海默病 (AD) 神经病理学分析的自动计算管道. 该工具快速准确地量化大脑组织中的粉样蛋白病理,帮助AD研究.

科学领域:

神经病理学神经病理学
计算生物学计算生物学
人工智能的人工智能

背景情况:

阿尔茨海默病 (AD) 神经病理的特征是劳动密集型,容易变化.
目前的方法阻碍了将AD临床特征与分子病变发生联系起来的大型数据集的分析.

研究的目的:

开发一个高通量,公正的计算管道,用于AD的自动神经病理学分析.
在评估AD脑组织病理学方面克服传统方法的局限性.

主要方法:

使用Mask区域卷积神经网络 (Mask R-CNN) 设计了一个注释工具和计算管道,用于图像分析.
训练有素的面具R-CNN对死后AD脑组织的专家注释的数字显微镜图像.
利用QuPath平台进行基准真相注释和专家之间建立共识.

主要成果:

自动化管道在独立样本中实现了高精度 (94.6%) 的amyloid病理识别.
粉样蛋白病理学的定量测量与专家神经病理学评估 (CERAD) 和认知衰退 (CDR) 有显著的相关性.
该系统展示了可泛化的病理特征检测.

结论:

开发的计算管道使得大量AD组织集合的快速,公正和定量神经病理学分析成为可能.
这种方法促进了与临床和多组数据的整合,以全面了解AD.
该工具显著减少了与传统神经病理学评估相关的时间和成本.

更多相关视频

In Vivo Functional Study of Disease-associated Rare Human Variants Using Drosophila

In Vivo Functional Study of Disease-associated Rare Human Variants Using Drosophila

Published on: August 20, 2019

Constructing and Visualizing Models using Mime-based Machine-learning Framework

Constructing and Visualizing Models using Mime-based Machine-learning Framework

Published on: July 22, 2025

相关概念视频

Steps in Outbreak Investigation

Steps in Outbreak Investigation

In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis: