生物启发的数字组织学用于深度表型化胎盘组成变化跨主要损伤类型的变化

科学领域:

• 生殖生物学 生殖生物学
• 计算病理学计算病理学
• 医疗人工智能 医疗人工智能

背景情况:

• 胎盘病理对于了解妊娠并发症至关重要,但由于组织异质性和组织学分析的规模,它面临着挑战.
• 以前的方法缺乏在单细胞分辨率下分析与胎盘病变相关的细胞群的能力.

研究的目的:

• 应用深度学习方法,组织学分析管道.PY (HAPPY),用于对胎盘组织学的定量,单细胞分辨率分析.
• 在健康和受损的胎盘中描述细胞类型和组织结构组成.
• 识别与常见的胎盘病理相关的细胞和微观结构变化.

主要方法:

• 利用HAPPY深度学习管道对来自62个怀孕的130个H&E染色的胎盘幻灯片进行定量分析.
• 分析了健康对照组和四种常见的病变类型:心脏病发作,周周纤维素,无血管小和间隙性血栓形成.
• 采用组合数据分析来量化与健康胎盘组合的偏差.

主要成果:

• 确定了正常胎盘和受损胎盘之间的细胞组成的显著差异,包括增加的额外状 trofhoblasts 和白细胞,以及减少的 Hofbauer 细胞.
• 观察到明显的微观结构变化,如纤维素沉积增加和状结构的变化.
• 发现组合偏差大小与心脏病发作大小相关,但与间接性血栓形成无关.
• 检测到观察到的细胞差异超出明显受影响的区域,表明全器官适应性反应.

结论:

• 基于人工智能的定量分析揭示了与胎盘病变相关的显著细胞和微观结构变化.
• 研究结果表明,胎盘病理可以诱导全器官适应性反应,而不是纯粹局部变化.
• 这项研究证明了人工智能方法在研究和临床应用中增强传统遗传病理学评估的潜力.