用于体内血管生成定量的商业深度学习图像分析工具的工作流程评估

《Scientific Reports》:Workflow evaluation of a commercial deep learning-based image analysis tool for the quantification of angiogenesis in vivo

【字体: 大 中 小 】 时间:2026年08月30日 来源:Scientific Reports 4.9

编辑推荐:

  摘要 血管生成在肿瘤发展以及伤口愈合和生物材料整合中起着关键作用。然而,跨不同体内模型的复杂血管网络的定量分析耗时、费力且容易产生人为误差。基于深度学习的分析(DLBA)似乎是血管定量的一种更高效且可重复的方法。然而,直接将其性能与人类评估进行比较的研究仍然有

  
摘要
血管生成在肿瘤发展以及伤口愈合和生物材料整合中起着关键作用。然而,跨不同体内模型的复杂血管网络的定量分析耗时、费力且容易产生人为误差。基于深度学习的分析(DLBA)似乎是血管定量的一种更高效且可重复的方法。然而,直接将其性能与人类评估进行比较的研究仍然有限。IKOSA CAM是一种用于血管网络分析的商用工具。研究人员在三种不同的血管生成模型中将IKOSA CAM与手动血管追踪进行了评估。研究分析了来自三种不同体内血管生成模型(鸡胚绒毛尿囊膜(CAM)实验、啮齿动物视网膜和背部皮肤折叠腔(DSC))的图像。使用手动追踪和商业深度学习图像分析工具IKOSA CAM对血管网络进行了分析。此外,人工评估员对追踪结果进行了重新评估,并评估了总工作流程时长。基于深度学习的图像分析被证明是一种用于追踪和量化血管网络的省时方法。其与手动人类追踪的一致性程度因图像类型而异。两种方法之间的一致性在CAM实验中最高。最大差异出现在DSC分支点的追踪中,Bland-Altman图中显示下降趋势。使用DLBA的重复分析对所有测试的血管生成模型均产生相同结果,证实了其出色的可重复性。标准化的血管定量仍然是实验性血管生成研究中的主要挑战。在这项工作流程验证研究中,所评估的DLBA提供了可重复且省时的血管定量方法,特别适用于CAM实验,但在视网膜和DSC图像的分析中显示出局限性。总体而言,DLBA代表了标准化血管分析的一种有前景的方法,可能有助于实现可重复的高通量图像定量。然而,仍需要使用更大、更多样化的数据集进行进一步验证。
论文解读

血管生成在肿瘤发展、伤口愈合及生物材料整合等生理和病理过程中发挥着基础性作用。对血管网络的定量分析是血管生成研究的关键环节,常用的参数包括总血管长度(TVL)、功能性血管密度(FVD)、血管直径(VD)以及血管分支和连接点数量。目前,血管网络的评估通常依赖人工计数或人工追踪,但这类方法耗时费力且易受人为误差影响。半自动图像分析软件虽可加速分析流程,但对图像对比度要求较高,且易受图像质量和阈值设定的影响。近年来,基于深度学习的图像分析(DLBA)方法,特别是卷积神经网络(CNN)的应用,为血管网络的自动化分割和定量提供了新思路。然而,将DLBA与人工追踪进行系统性工作流程比较的研究仍然有限。IKOSA CAM是一种商业化的深度学习图像分析工具,专门用于CAM图像中血管网络的追踪与分析。该工具基于CNN架构,采用InceptionResNetv2作为编码器、U-Net结构作为解码路径,并在视网膜眼底图像和CAM图像上进行了训练。本研究旨在评估IKOSA CAM与人工血管追踪在三种体内血管生成模型中的工作流程一致性、可重复性和可行性,以人工标注作为参考方法,检验AI辅助血管定量的实际应用价值。

研究人员开展了一项工作流程验证研究,使用了三种已建立的血管生成模型:鸡胚绒毛尿囊膜(CAM)实验、小鼠视网膜以及背部皮肤折叠腔(DSC)。共分析了10张CAM图像、9张小鼠视网膜图像和10张DSC图像。所有图像均来自前期实验或已发表研究,未经任何促血管或抗血管处理。三名经过相同实验室培训的评估员使用iPad和Apple Pencil对预设感兴趣区域(ROI)内的血管进行人工追踪,随后通过ImageJ软件进行骨架化和参数提取。与此同时,相同的图像和ROI被上传至IKOSA CAM平台进行自动化分析。研究人员记录了每条图像从追踪到分析完成的总工作流程时间,并使用Bland-Altman图、Wilcoxon配对符号秩检验和组内相关系数(ICC)等统计方法比较了两种方法的结果。此外,还进行了盲法质量评分和替代方法AngioTool的探索性测试。

研究结果显示,DLBA在所有三种模型中均显著节省了工作流程时间。人工追踪每张CAM图像平均需要526秒,DSC图像690秒,视网膜图像387秒;而DLBA对CAM和视网膜图像平均仅需约26秒和25秒,DSC图像因图像拼接和处理流程较长需345秒。在测量一致性方面,DLBA与人工追踪在血管长度参数上表现出较高的一致性,但在分支点计数上存在系统性差异。其中,CAM实验的一致性最高,DLBA在几乎所有情况下被评估为标注准确;DSC图像中的分支点差异最大,DLBA经常将粗大血管区域过度分割为复杂网络,且存在分支点重复识别现象,导致其计数值在某些情况下高达人工评估员的十倍;视网膜图像中DLBA同样倾向于标记更多分支点,但偏差程度较DSC缓和,同时存在漏标少量血管的情况。Bland-Altman图分析显示,DLBA在CAM和视网膜图像的分支点计数中系统地高于人工评估员,在DSC中呈现明显下降趋势,表明存在系统性差异。重复分析验证了DLBA具有完美的可重复性,对相同图像和ROI产生逐位相同的结果,而人工评估员之间的两两比较在大多数组合中显示显著差异。盲法质量评分方面,DLBA在CAM和视网膜图像中获得中位数6分(几乎完美),在DSC中获得中位数5分(仅轻微偏差),整体标注质量良好。人工评估员的组内相关系数分析显示,CAM和DSC测量的单评估员ICC在0.66至0.78之间,视网膜血管长度的单评估员ICC为0.74,而视网膜分支点的单评估员ICC仅为0.43,反映人工评估在分支点识别上存在较大变异性。替代方法AngioTool的探索性测试显示,其在CAM和DSC数据集中的分割质量不足,无法进行有意义的定量比较,视网膜图像的分割性能相对较好但仍未达到可用的分析标准。

讨论部分指出,人工血管追踪虽然是当前血管生成研究中的参考标准,但本质上受观察者间差异的影响,缺乏普遍接受的血管纳入标准和分支点定义。本研究中三名评估员的标注阈值各不相同,但个人标注标准相对一致,提示存在评估员特有的系统偏差。DLBA的确定性推理机制保证了重复分析的完全一致性,但也不能排除算法本身存在系统性偏差的可能性。IKOSA CAM在CAM实验中的良好表现可能归因于其训练数据包含了CAM图像,而在DSC和视网膜图像中的性能下降则与其训练集覆盖范围有限有关。研究还发现,DLBA倾向于在粗大血管区域过度分割,将单根血管误认为复杂网络,且偶尔出现分支点重复计数。尽管DLBA存在上述偏差,但其高可重复性和显著的时间效率优势使其在相对比较和纵向分析中具有应用价值。对于需要高精度绝对定量的研究场景,建议研究人员在使用DLBA前用代表性样本进行基准测试。

研究结论部分翻译如下:跨不同实验模型的血管分析与基础研究高度相关。然而,标准化的方法学尚未建立。本研究揭示,所测试的DLBA IKOSA CAM提供了一种省时且可重复的工具,与CAM血管网络的人工追踪具有良好一致性。尽管所评估的IKOSA CAM DLBA在视网膜和DSC血管网络分析中存在一些局限性,该软件仍提供了标准化的高质量血管网络分析。其时间效率允许高定量输出,便于重复的纵向分析。此外,所评估的DLBA IKOSA CAM提供了简单直观的应用方式,无需任何编程技能。总之,这项试点验证研究支持将AI辅助血管分析作为血管定量的一种高效且可重复的方法。虽然应考虑到手动和自动分析之间的系统性差异,特别是在分支点定量方面,但分析时间的大幅减少以及本研究中观察到的总体一致性凸显了AI辅助工作流程补充传统手动血管分析的潜力。在更大数据集和额外血管生成模型中的进一步验证将有助于确定此类工具的最佳应用范围。由于研究结果标准化的重要性,直观的开源解决方案是可取的。在科学研究中,如果使用非标准化的工作流程,跨独立研究、实验室、不同图像分析平台或商业软件连续版本的系统性可比性可能深刻影响定量测量的可比性和可重复性。因此,建立可比标准至关重要。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号