Artificial intelligence approaches to the volumetric quantification of glycogen granules in EM images of human tissue
Notice bibliographique
Résumé
Skeletal muscle, the major processor of dietary glucose, stores it in myriad glycogen granules. Their numbers vary with cellular location and physiological and pathophysiological states. AI models were developed to derive granular glycogen content from electron-microscopic images of human muscle. Two UNet-type semantic segmentation models were built: "Locations" classified pixels as belonging to different regions in the cell; "Granules" identified pixels within granules. From their joint output, a pixel fraction pf was calculated for images from patients positive (MHS) or negative (MHN) to a test for malignant hyperthermia susceptibility. pf was used to derive vf, the volume fraction occupied by granules. The relationship vf (pf) was derived from a simulation of volumes ("baskets") containing virtual granules at realistic concentrations. The simulated granules had diameters matching the real ones, which were measured by adapting a utility devised for calcium sparks. Applying this relationship to the pf measured in images, vf was calculated for every region and patient, and from them a glycogen concentration. The intermyofibrillar spaces and the sarcomeric I band had the highest granular content. The measured glycogen concentration was low enough to allow for a substantial presence of non-granular glycogen. The MHS samples had an approximately threefold lower concentration (significant in a hierarchical test), consistent with earlier evidence of diminished glucose processing in MHS. The AI models and the approach to infer three-dimensional magnitudes from two-dimensional images should be adaptable to other tasks on a variety of images from patients and animal models and different disease conditions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».