使用第二和生成成像,监督机器学习和基于纹理的分析来对喘中的原体重塑进行分类.

科学领域:

• 肺部医学 肺部医学
• 生物医学成像技术 生物医学成像技术
• 计算病理学计算病理学

背景情况:

• 气道改造,以增加纤维状原蛋白为特征,在喘中普遍存在,并损害肺功能.
• 传统的组织学方法很难准确地将细胞外矩阵 (ECM) 蛋白质在其原始状态中可视化.
• 第二波代 (SHG) 提供无标签的,高分辨率的纤维状原蛋白成像,这对于理解喘相关的肺弹性损失至关重要.

研究的目的:

• 开发和验证一种计算管道,用于使用SHG成像在人类肺组织中量化和表征纤维状原蛋白.
• 根据原形态学来区分喘中改造的呼吸道和控制肺组织.
• 评估纹理分析和机器学习在识别气道ECM病理变化的潜力.

主要方法:

• SHG成像被用于可视化来自13名人类捐赠者 (喘患者和对照患者) 肺组织中的纤维原蛋白.
• 一个定制的纹理分类管道从原蛋白图像中提取了80个特征,使用GLCM,GLSZM,GLRLM,GLDM和NGTDM等矩阵.
• 特性选择方法完善了数据集,并训练了一个支持向量机 (SVM) 模型进行分类.

主要成果:

• 管道成功量化和表征了重建与控制气道中的原蛋白分布.
• 一个精致的纹理特征的子集实现了高预测重要性.
• SVM模型表现出强的性能,AUC-ROC为94%±0.0001在分类重塑的呼吸道原中.

结论:

• SHG成像与纹理分析和监督机器学习相结合,可以准确地描述气道原蛋白的形态变异.
• 这种方法为客观评估喘中呼吸道改造提供了一个强大的工具.
• 这些发现突显了无标签成像和计算方法在促进对纤维化肺部疾病的理解方面的实用性.