结合组织病理学和机器学习的人工智能网络可以提取自闭症谱系障碍中的轴突病理
Arash Yazdanbakhsh1,2,3, Kim T M Dang1, Kelvin Kuang1
1Computational Neuroscience and Vision Laboratory, Department of Psychological and Brain Sciences, Boston University, Boston, Massachusetts, USA.
概括
机器学习准确地分类自闭症谱系障碍 (ASD) 脑组织,区分白质类型. 这种自动化分析有助于研究自闭症的神经发育差异.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 病理学 病理学 病理学
背景情况:
- 自闭症谱系障碍 (ASD) 的特点是与神经类型对照 (CTR) 相比,皮质通路中的轴突组织不同.
- 对死后人类大脑组织的传统分析是劳动密集型和耗时的,限制了大脑区域的系统研究.
研究的目的:
- 开发一种机器学习方法,用于自动分类ASD和CTR大脑中的白质.
- 区分表面白质 (SWM) 和深白质 (DWM) 途径.
主要方法:
- 一个深度神经网络被训练来分类来自ASD和CTR个体的微观白质部分.
- 该模型考虑了不同的白质区域:SWM (短距离连接) 和DWM (远距离通路).
- 灵敏度图和多维缩放被用于对分类和病理标志物的分析.
主要成果:
- 深度神经网络在分类ASD与CTR白质下面的前带皮层 (ACC) 中达到98%的准确性.
- 该模型区分了SWM和DWM路径组成,平均准确率高达80%.
- 分析确定了ASD中的关键病理标志物,并突出了ASD频谱内的异质性.
结论:
- 机器学习为死后脑组织的高分辨率显微镜分析提供了一个自动化解决方案.
- 这种方法可以系统地研究健康和疾病中的白质,进步我们对神经发育障碍的理解.
- 这些发现有助于理解ASD异质性,并与神经类型大脑特征重叠.
