通过双向长短期记忆神经网络进行自动化的线粒体氧气消耗 (mitoVO₂) 分析

科学领域:

• 生物医学工程 生物医学工程
• 计算生物学 计算生物学
• 生理学 生理学 生理学

背景情况:

• 在体内测量线粒体氧气张力 (mitoPO2) 监测是评估皮肤线粒体氧气消耗 (mitoVO2) 的关键.
• 目前对mitoVO2数据的手动分析存在显著的用户间差异,阻碍了可重复性.
• 为了可靠的mitoVO2评估,需要标准化和自动化分析方法.

研究的目的:

• 开发一种基于神经网络的软件,用于自动化 mitoVO2 分析.
• 为了减少用户间的变化,并提高 mitoVO2 测量的可重复性.
• 为评估皮肤线粒体功能提供一种更客观,更一致的方法.

主要方法:

• 在125个mitoPO2测量序列上训练了一个双向长短期记忆神经网络.
• 贝叶斯优化被用来微调神经网络的性能.
• 该软件自动识别起始点和测量周期,然后应用修改后的迈凯利斯-门登适合计算mitoVO2.

主要成果:

• 神经网络在测试组中实现了94.2%的性能.
• 它确定了91%的mitoVO2起点在5个样本范围内的手册共识.
• 与手动测量相比,自动化分析显示偏差最小 (-0.057 mmHg s-1),在多个运行中得到相同的结果.

结论:

• 开发的神经网络软件自动化了mitoVO2分析,大大减少了主观判断和用户间的变化.
• 该工具提高了研究环境中的数据可比性和可重复性.
• 未来的工作旨在通过多中心合作来完善精度和扩展功能.