应用机器学习来协助通过自动化对脑动脉样硬化的形态测量评估
Jerry J Lou1, Peter Chang2, Kiana D Nava3
1Department of Pathology and Laboratory Medicine, School of Medicine, University of California Irvine, Irvine, USA.
Free neuropathology
|June 13, 2025
概括
这项研究介绍了ArtSeg和VasMorph,它们是机器学习工具,用于在整个幻灯片图像中量化大脑动脉样硬化. 这些算法提高了神经病理学中的客观分析和可靠性.
科学领域:
- 神经病理学神经病理学
- 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:
- 目前用于量化大脑动脉样硬化症的方法依赖于主观的,半量化尺度,具有有限的评分器间可靠性.
- 需要客观和精确的定量指标来准确评估动脉样硬化病的神经病理学.
研究的目的:
- 开发和验证一个端到端的机器学习 (ML) 算法原型,动脉样硬化细分 (ArtSeg),加上血管形态测量 (VasMorph),用于在整个幻灯片图像 (WSIs) 中对动脉样硬化血管进行定量分析.
- 提高神经病理学中大脑动脉样硬化评估的客观性和可靠性.
主要方法:
- 来自三个阿尔茨海默氏病研究中心的血素和素染色的人类大脑WSIs的数字化.
- 开发ArtSeg,一个ML算法,具有三个模型用于血管检测,动脉样硬化分类和血管壁和光线的细分.
- 应用VasMorph来从ArtSeg细分的血管中推导像硬化指数和壁对光线比率这样的形态参数.
主要成果:
- 在内部和外部测试数据集中,ArtSeg在血管检测 (AUC-ROC高达0.79),动脉样硬化分类 (精度高达0.94),血管细分 (Dice得分高达0.73) 方面表现强.
- VasMorph成功地获得了与专家评估相匹配的定量血管形态参数.
- 综合的ArtSeg-VasMorph方法在提高评价者之间的可靠性和量化方面显示出有希望的结果.
结论:
- ArtSeg-VasMorph集成的ML方法提供了一个有前途的辅助工具,用于在神经病理学中客观量化大脑动脉样硬化.
- 这种计算方法有可能显著提高临床实践中诊断和评估动脉样硬化的精度和可靠性.
