Artificial Intelligence-enabled Histological Analysis in Preclinical Respiratory Disease Models: A Scoping Review
Notice bibliographique
Résumé
ABSTRACT Histological analysis is a cornerstone of preclinical respiratory disease research, enabling assessment of pathology, therapeutic effects, and mechanisms. However, conventional approaches rely on manual scoring, which is subjective, time-consuming, and difficult to scale due to low throughput and inter-observer variability. Artificial intelligence (AI), particularly deep learning, offers potential to automate histology workflows, but its use and evaluation in preclinical respiratory models have not been synthesized. We conducted a scoping review following Joanna Briggs Institute guidelines, searching MEDLINE and Embase (inception–January 2025) for preclinical studies using AI to analyze histology in respiratory disease models. Screening, full-text review, and data extraction were performed in duplicate. Of 6271 studies screened, 29 met inclusion criteria. Most used murine models (76%) and investigated lung cancer (28%), pulmonary fibrosis (24%), or tuberculosis (17%). Hematoxylin and eosin was the most common stain (48%), with others targeting collagen or immune markers. AI tasks included image classification (n=20), segmentation (n=10), and object detection (n=4), predominantly using convolutional neural networks (69%). Preprocessing methods (e.g., stain normalization) were common, but annotation and training practices were inconsistently reported. Performance was generally high (accuracy ≥90%; 7 studies) though validation metrics varied, and external validation was absent. Most studies used “black box” models, with minimal application of explainability techniques. Reproducibility measures, such as sharing datasets or code were rarely reported. AI tools are poised to transform histological analysis in preclinical respiratory research. By addressing gaps in validation, transparency, and standardization, the field can harness these technologies to deliver robust, efficient, and scalable workflows. Registration: Open Science Framework https://doi.org/10.17605/OSF.IO/NM94E
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 | 0,015 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,017 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».