卷积神经网络的开发,用于在同核蛋白病变的小鼠模型中进行全大脑自动化组织病理学分析

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:

• 临床前动物模型对于理解同核蛋白病变和开发治疗方法至关重要.
• 这些模型的组织学分析是必不可少的,但传统上是缓慢和劳动密集的.
• 需要高效,高通量方法来分析特定区域和细胞类型的变化.

研究的目的:

• 开发和验证一种使用卷积神经网络 (CNN) 的新型管道,用于对免疫组织学数据进行自动化,高吞吐量分析.
• 为了能够精确地对小鼠大脑中的神经退行,神经炎症和α-synuclein聚合进行特定区域的量化.
• 为了显著减少时间和劳动力所需的组织学评估在synucleinopathy研究.

主要方法:

• 开发五种基于CNN的模型,训练它们自主识别大脑区域并检测关键的病理标志物.
• 应用CNN管道来分析来自同核蛋白病变的小鼠模型的免疫组织学数据.
• 在没有手动注释的情况下验证模型准确性和有效量化细胞变化的效率.

主要成果:

• 美国有线电视新闻网的管道准确地识别了大脑区域,并在细胞分辨率下量化了神经退行,神经炎症和α-synuclein聚合的标志物.
• 自动化分析显著减少了处理时间,从几周减少到几分钟.
• 这些模型在各种同核蛋白病变动物模型中提供了无偏见的,特定于区域的见解.

结论:

• 开发的CNN管道提供了一种高吞吐量,精确和高效的方法,用于分析同核蛋白病学研究中的组织学数据.
• 这种方法提高了临床前研究的预测价值,提供了强大的,大脑范围的结果.
• 使用人工智能的自动组织学分析可以加速发现疾病机制和治疗协核蛋白病变的治疗干预措施.