基于年龄的,基于注意力的弱监督学习用于神经病理图像评估

科学领域:

• 神经病理学神经病理学
• 数字病理学数字病理学
• 人工智能在医学中的应用

背景情况:

• 诊断神经退行性疾病 (NDs),如慢性创伤性脑病变 (CTE) 是具有挑战性的,因为微妙的病理变化.
• 手动组织病理学分析是耗时的,可变的,可能会错过疾病的早期迹象.

研究的目的:

• 开发一个自动化的,以年龄为基础的计算管道,用于预测NDs中的tau病理.
• 为了提高诊断的准确性和识别神经退行症的微妙结构变化.

主要方法:

• 使用Luxol Fast Blue和LH&E染色全幻灯片图像 (WSIs) 开发了一个基于注意力的多实例学习 (MIL) 管道.
• 该模型预测AT8密度 (p-tau聚合的标志物),并纳入患者年龄以提高准确性.
• 建立了基础模型 (FMs) 的定量评估程序,评估注意力地图属性和稳定性.

主要成果:

• 基于年龄的MIL管道准确地确定了关键的病理区域,并预测了AT8密度.
• 可解释的注意力图突出显示了与病理相关的结构变化.
• 开发的基准表明了该模型对染色和噪声变化的稳定性.

结论:

• 开发的管道使得可扩展的,自动化WSI分析ND诊断.
• 这种方法支持更早,更精确地检测CTE和其他NDs.
• 该研究为评估和优化数字神经病理学的基础模型提供了工具.