在碳四化物诱导的小鼠模型中,基于人工智能的肝纤维化的定量分析,对代谢功能障碍相关的脂肪肝炎进行了分析

科学领域:

• 数字病理学数字病理学
• 计算毒理学计算毒理学
• 医学中的人工智能.

背景情况:

• 肝纤维化是慢性肝损伤和代谢功能障碍相关的脂肪肝炎的关键指标.
• 在临床前毒理学中对肝纤维化的定量评估往往是不一致和主观的.
• 开发客观和可重复的纤维化量化方法对于药物开发和毒理学研究至关重要.

研究的目的:

• 开发和验证用于自动化肝纤维化量化的多尺度,基于补丁的卷积神经网络 (CNN) 分类算法.
• 在碳四化物 (CCl4) 诱导的小鼠模型中确定最佳补丁大小,以准确预测纤维化.
• 评估人工智能算法在临床前毒理学中的客观纤维化评估和抗纤维菌作用检测方面的潜力.

主要方法:

• 开发基于贴片的CNN分类算法,使用C57BL/6小鼠的Sirius红色染色肝组织,这些小鼠接受了车辆控制,高脂肪饮食 (HFD) 和CCl4,或HFD和CCl4与elafibranor (ELA) 治疗.
• 整个幻灯片图像的数字化和切割成不同尺寸的补丁 (32x32,64x64,128x128像素).
• 训练,验证和测试使用8:1:1比率,40个时代和32个批量大小的算法来分类纤维化,正常和背景区域.

主要成果:

• 所有CNN模型都表现出强大的性能,验证准确度超过98%和F1得分超过0.96.
• 基于32x32补丁的模型显示了与病理学家测量的最高相关性 (斯皮尔曼的r=0.9609,p<0.05) 和绝对纤维瘤面积的最准确估计.
• 32x32模型成功检测到elafibranor (ELA) 治疗的抗纤维素作用.

结论:

• 基于32x32补丁的CNN分类方法提供了一种快速,可重复和客观的方法,用于在临床前毒理学中量化肝纤维化.
• 这种人工智能驱动的方法具有强大的潜力,可以集成到数字病理学工作流程中,提高毒理学评估的效率和可靠性.
• 使用人工智能的自动纤维化量化可以提高在临床前研究中评估肝损伤和治疗干预措施的一致性和准确性.