深度学习分类脑缺血再灌注损伤中的细胞死亡

《BMC Biology》：Deep learning classifies cell death in cerebral ischemia reperfusion injury

　　

摘要

背景

脑缺血再灌注损伤（CIRI）的特点是细胞死亡过程复杂且重叠，包括自噬、凋亡和坏死。准确区分这些细胞死亡方式对于病理研究至关重要，然而传统的病理方法仍然耗时且精度有限。本研究旨在开发一种基于深度学习的方法，用于自动识别 CIRI 后的自噬、凋亡和坏死，从而提高病理分类的效率和准确性。

结果

建立了一个基于卷积神经网络（CNN）的深度学习模型，用于分类 CIRI 后的主要细胞死亡方式。在独立测试集上，模型的准确率超过 93%，平均 F1 分数大于 0.92，宏平均 ROC 曲线下面积（mAUC）高于 0.95。梯度加权类激活映射（Grad-CAM）可视化显示，模型专注于与不同细胞死亡模式相关的生物学相关结构区域。使用多个独立数据集进行的额外验证进一步确认了所提模型的鲁棒性、可靠性和泛化能力。

结论

我们成功开发了一个基于深度学习的系统，能够自动且准确地区分 CIRI 中的自噬、凋亡和坏死。所提出的方法为 CIRI 的病理研究提供了一种高效且精确的分析工具，可能促进机制研究，加速治疗靶点识别，并为未来的临床干预策略提供理论支持。