基于随机森林的人工智能策略,用于在静脉内成像过程中检测脏组织中缺血-再输液损伤的变化
Igor Pantic1,2,3, Jovana Paunovic Pantic4, Svetlana Valjarevic5
1Faculty of Medicine, Department of Medical Physiology, University of Belgrade, Visegradska 26/11, 11129, Belgrade, Serbia.
Scientific reports
|October 24, 2025
概括
机器学习精确地检测脏缺血-再输液损伤 (IRI) 使用静脉内显微镜图像的纹理分析. 这种人工智能方法可以识别早期的核和血管变化,为诊断IRI提供了一个有希望的工具.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 病理学 病理学 病理学
背景情况:
- 缺血-再输液损伤 (IRI) 是急性损伤的一个重要原因.
- 早期发现IRI对于有效治疗和改善患者的治疗结果至关重要.
- 肠道显微镜在IRI期间提供了对细胞和血管动态的实时洞察.
研究的目的:
- 开发和验证一个监督的机器学习模型来检测脏IRI.
- 评估用于IRI检测的静脉内显微镜数据的纹理分析的有效性.
- 识别早期的核和血管变化,表明IRI.
主要方法:
- 建立了一种单边脏IRI的动物模型.
- 内体双光子显微镜捕捉了核,血管和线粒体标记物的实时变化.
- 用GLCM,RLM和DWT的特性对手动细分的感兴趣区域进行了纹理分析.
- 一个随机森林分类器被训练并使用这些纹理特征进行评估.
主要成果:
- 五个纹理特征 (ASM,IDM,SRE,LRE,EnHH) 显示受伤和对照脏组织之间的显著差异 (p < 0.001).
- 随机森林模型实现了79.8%的准确性,宏观F1得分为0.79,ROC AUC为0.83.
- 该研究成功地确定了与IRI相关的早期核和血管变化.
结论:
- 监督机器学习与纹理分析相结合是检测脏IRI的可行方法.
- 基于人工智能对静脉内显微镜数据的分析可以识别与IRI相关的早期变化.
- 未来的研究应该专注于更大的数据集,3D分析和多式联络成像,以提高概括性.
