人工智能模型如何推进胎盘生物学?
Teresa Chou1, Jeffery A Goldstein1
1Department of Pathology, Feinberg School of Medicine, Northwestern University, Chicago, IL, USA.
Placenta
|April 5, 2025
概括
机器学习 (ML) 模型分析胎盘组织学以检测疾病. 这些数字病理学工具通过分类细胞和识别胎盘组织的异常来帮助研究人员,提高对妊娠并发症的理解.
科学领域:
- 生殖生物学 生殖生物学
- 计算病理学计算病理学
- 医学成像分析 医学成像分析
背景情况:
- 胎盘对于胎儿发育至关重要,其组织学检查显示功能异常.
- 数字病理学和机器学习 (ML) 为分析复杂组织图像数据集提供了强大的工具.
研究的目的:
- 探索ML模型在胎盘组织学中的应用,以确定结构和功能异常.
- 突出ML在补充病理学家专业知识和在胎盘病理学中产生新的研究假设方面的实用性.
主要方法:
- 在胎盘和膜组织上开发和应用细胞分类ML模型.
- 使用小图像补丁分析和聚合方法来对整个幻灯片进行表征.
- 专注于从数字病理学幻灯片中提取特征,以获得生物学和临床见解.
主要成果:
- ML模型成功进行细胞分类,提供了"自下而上"的组织特征化方法.
- 通过将图像补丁的发现汇总起来,确定了大产科综合征和胎盘炎症中的病理.
- 从数字病理学幻灯片中提取的特征提供了宝贵的生物和临床知识.
结论:
- 机器学习模型是分析胎盘组织学和识别正常发育偏差的有效工具.
- 数字病理学中的ML应用增强对胎盘功能和疾病的理解,支持研究和临床见解.


