Effect of cells on spatial quantification of proteoglycans in articular cartilage of small animals
Notice bibliographique
Résumé
Objective Histochemical characterization of proteoglycan content in articular cartilage is important for the understanding of osteoarthritis pathogenesis. However, cartilage cells may interfere with the measurement of matrix proteoglycan content in small animal models (e.g. mice and rats) due to the high cell volume fraction (38%) in mice compared to human tissue (~1%). We investigated whether excluding the cells from image analysis affects the histochemically measured proteoglycan content of rat knee joint cartilage and assessed the effectiveness of a deep learning algorithm-based tool named U-Net in cell segmentation.Design Histological sections were stained with Safranin-O, after which optical densities were measured using digital densitometry to estimate proteoglycan content. U-Net was trained with 600 annotated Safranin-O cartilage images for exclusion of cells from the cartilage extracellular matrix. Optical densities of the ECM with and without cells were compared as a function of normalized tissue depth.Results U-Net cell segmentation was accurate, with the measured cell area fraction following largely that of ground-truth images (average difference: 4.3%). Cell area fraction varied as a function of tissue depth and took up 8–21% of the tissue area. The exclusion of cells from the analysis led to an increase in the analyzed depth-dependent optical density of cartilage by approximately 0.6–1.8% (p < 0.01).Conclusions Although the effect of cells on the analyzed proteoglycan content is small, it should be considered for improved sensitivity, especially at the onset of the disease during which cells may proliferate in small animals.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».