一种使用监督物体检测的新方法来确定性周期的分阶段

科学领域:

• 生殖生物学 生殖生物学
• 计算生物学 计算生物学
• 神经科学是一个神经科学.

背景情况:

• 雌性周期对于雌性哺乳动物的繁殖和健康至关重要,类似于人类的月经周期.
• 通过阴道细胞学进行传统的监测具有局限性,包括耗时的培训和研究人员的变化.
• 精确的雌性周期跟踪对于解释临床前研究结果至关重要,特别是在神经精神病学研究中.

研究的目的:

• 评估机器学习用于性周期分期的可行性.
• 引入和验证一个基于对象检测的模型,用于自动化气周期分类.
• 为手动阴道细胞学提供可靠和有效的替代品.

主要方法:

• 开发并运用了一种基于对象检测的机器学习模型,名为对象检测静态分期 (ODES).
• 利用730张染色的阴道细胞学图像的数据集进行培训,验证和测试.
• 通过分析训练图像来分类气周期阶段,衍生出一套新的分类规则.

主要成果:

• 在分类气周期阶段时,ODES的平均准确率达到80%.
• 模型的性能与人类的准确性相当 (66%),并且优于以前的图像分类模型 (41-79%).
• 在2.67分钟内,ODES处理了100张测试图像,证明了高效率.

结论:

• ODES提供了一种快速,可靠和易于使用的气周期监测方法.
• 该模型的效率使其适用于大规模研究,特别是涉及雌性动物的神经精神病学研究.
• 这种自动化方法可以改善将基于性别的变量整合到神经学和精神病学研究中.