基于深度学习的神经纤维芽生自动分析工具DeNAT在脊髓损伤模型中的应用与性能验证

《BMC Bioinformatics》：Deep Neurite Analysis Tool (DeNAT): a machine-learning framework for high-sensitivity automated neurite outgrowth measurement

　　

摘要

背景

准确量化损伤后神经纤维芽生是轴突再生研究中的关键步骤。然而，这仍然是一个主要瓶颈，因为当前的金标准依赖于多位盲法观察者的手工计数。该过程速度慢、劳动密集且易产生变异性。现有软件可以测量培养中的神经纤维总长度，但并非设计用于捕捉损伤模型（如胸段挫伤或锥体切除术）复杂图像中的新生长。关键在于，这些工具缺乏在用户定义区域内选择性分析生长的能力，而这正是损伤范式的关键需求。为满足这一需求，我们开发了深度神经纤维分析工具（DeNAT），一个易于获取的基于深度学习的平台，可自动测量损伤后的神经纤维生长情况。

结果

DeNAT允许用户定义感兴趣区域，以专门量化常见脊髓损伤范式图像中的芽生情况。我们将该工具的性能与手工评分和常规自动化方法进行了基准测试比较。DeNAT与手工真值实现了近乎完美的相关性（R = 0.9991），敏感度为0.926，精确度为0.878，错误发现率（FDR）为0.12。DeNAT针对高敏感度进行了优化，这是神经创伤研究人员的首要需求，因为漏掉一条再生轴突（假阴性）的风险大于检测到背景噪声（假阳性），同时还减少了变异性和劳动负担。

结论

通过将用户引导的区域选择与自动化深度学习分析相结合，DeNAT为损伤模型中的神经纤维生长测量提供了解决方案，该方案准确、可重复且高效。