从μCT扫描中基于深度学习检测小鼠先天性心脏缺陷
Hoa Nguyen1,2, Audrey Desgrange3, Amaia Ochandorena-Saa3
1Institut Pasteur, Université Paris Cité, Imaging and Modeling Unit, Paris, France.
Communications biology
|December 23, 2025
概括
一个新的深度学习模型使用微型计算机断层扫描 (μCT) 扫描在小鼠中自动诊断先天性心脏缺陷 (CHD). 这种人工智能工具显著加快了分析速度,帮助研究人员研究心脏异常.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 微计算机断层扫描 (μCT) 在小鼠模型中提供先天性心脏缺陷 (CHD) 的3D可视化.
- 从μCT扫描中手动诊断心脏病是劳动密集型的,需要专门的专业知识.
- 加快诊断过程对于推进心血管疾病研究至关重要.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于在小鼠μCT扫描中自动细分和选正常心脏与缺陷心脏.
- 评估模型在各种数据集中的表现,包括前和分离的队列.
- 为研究人员创建一个用户友好的工具来实现和调整DL管道.
主要方法:
- 在对照和突变小鼠心脏的139微CT扫描上训练了一种深度学习模型.
- 该模型在独立的前性和分歧的队列上进行了评估,包括新的基因型.
- 用曲线下的面积 (AUC) 来量化模型性能.
- 开发了一个Napari插件,以提供可访问的用户界面.
主要成果:
- DL模型实现了高诊断准确性,初始队列的AUC为97%.
- 在前性验证队列中观察到出色的性能 (AUC:100%).
- 在微调后,不同队列的中等性能 (AUC:81%) 提高到91%,显示出强度.
- 纳帕里插件使非专家用户能够应用和重新训练该模型.
结论:
- 开发的深度学习管道有效地在小鼠μCT扫描中自动诊断先天性心脏缺陷.
- 该模型展示了成像数据和生物因素的变化中的稳定性和适应性.
- 这种工具有潜力通过促进快速诊断,显著加速CHD研究和机制研究.
