纤维性肝脏组织微结构的表征,用于预测剪切波速度变化:基于机器学习的计算研究
Emily J Miller1, Yongmei M Jin1, Jingfeng Jiang2
1Department of Materials Science and Engineering, Michigan Technological University, Houghton, MI, United States of America.
Physics in medicine and biology
|April 4, 2025
概括
机器学习将肝纤维化微结构与剪切波速度 (SWS) 的变化联系起来. 虽然百分比含量与SWS相关,但它本身无法预测纤维化,因此需要对平均SWS和SWS-STD进行分析,以准确地表征组织.
科学领域:
- 生物医学工程 生物医学工程
- 医学物理 医学物理
- 计算生物学 计算生物学
背景情况:
- 肝纤维化评估对于疾病管理至关重要.
- 剪切波速度 (SWS) 变异性为组织微观结构提供了洞察力.
- 机器学习 (ML) 可能会将微结构特征与SWS联系起来.
研究的目的:
- 使用ML建立模拟纤维性肝脏组织微观结构和SWS变异性之间的联系.
- 确定影响SWS变异性的关键微观结构特征.
- 为了确定SWS变异性是否能推断出底层组织微观结构.
主要方法:
- 使用双相随机场模拟纤维化肝脏组织.
- 通过空间模式分布分析来表征微观结构.
- 实施ML以识别空间特征 (SC) 特征并预测SWS变异性.
主要成果:
- 百分比包含与SWS估计相关,但不是唯一的预测因素.
- 没有单一的SC特征能够准确地预测模拟组织中的SWS估计值.
- 顶级ML识别的特征,虽然名称不同,但在代中高度相关.
结论:
- 仅仅包括百分比不足以预测纤维化肝组织中的平均SWS或SWS-STD.
- 平均SWS和SWS-STD都提供了关于组织微观结构的独特,有价值的信息.
- 模拟纤维性肝病理 (sFLP) 模型显示与真实世界的数据一致,验证了它们的代表性.
