Proof of Concept for a Deep Learning Algorithm for Identification and Quantification of Key Microscopic Features in the Murine Model of DSS-Induced Colitis
Notice bibliographique
Résumé
Inflammatory bowel disease (IBD) is a complex disease which leads to life-threatening complications and decreased quality of life. The dextran sulfate sodium (DSS) colitis model in mice is known for rapid screening of candidate compounds. Efficacy assessment in this model relies partly on microscopic semiquantitative scoring, which is time-consuming and subjective. We hypothesized that deep learning artificial intelligence (AI) could be used to identify acute inflammation in H&E-stained sections in a consistent and quantitative manner. Training sets were established using ×20 whole slide images of the entire colon. Supervised training of a Convolutional Neural Network (CNN) was performed using a commercial AI platform to detect the entire colon tissue, the muscle and mucosa layers, and 2 categories within the mucosa (normal and acute inflammation E1). The training sets included slides of naive, vehicle-DSS and cyclosporine A-DSS mice. The trained CNN was able to segment, with a high level of concordance, the different tissue compartments in the 3 groups of mice. The segmented areas were used to determine the ratio of E1-affected mucosa to total mucosa. This proof-of-concept work shows promise to increase efficiency and decrease variability of microscopic scoring of DSS colitis when screening candidate compounds for IBD.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».