|
基于深度学习卷积神经网络识别CAR-T细胞产品的研究
任禹珂, 屈哲, 赖梓漩, 张頔, 赵永田, 杨艳伟, 李双星, 霍桂桃, 周晓冰, 林志, 耿兴超
2025, 22(7):
742-748.
DOI: 10.19803/j.1672-8629.20250257
摘要
(
10 )
PDF(2157KB)
(
34
)
目的 通过深度学习(Deep Learning,DL)技术,建立小鼠肝脏淋巴瘤辅助诊断模型,提高病理诊断的准确性和一致性,助力细胞治疗类产品的研发。方法 收集嵌合抗原受体T细胞(Chimeric Antigen Receptor T-Cell,CAR-T)细胞治疗产品的药效和毒理学研究中小鼠肝脏淋巴瘤组织102例和正常小鼠肝脏组织41例,扫描成数字切片后,进行半自动化数据标注。为提高标注的准确性,对所有数据进行组织提取、伪影去除的预处理后,按照8∶1∶1的比例随机分为训练集、验证集和测试集。应用5种不同的卷积神经网络(Convolutional Neural Networks,CNN)识别肝脏淋巴瘤和非淋巴瘤区域,包括FCN、LR-ASPP、DeepLabv3+、U-Net和DenseNet。基于切片图像的肿瘤预测图像进行比较,并采用精确率(Precision)、召回率(Recall)、F1评分(F1-Score)对构建的算法模型进行性能评估。结果 DenseNet、DeepLabv3+和FCN算法的精确率、召回率和F1评分均接近或超过95%。其中,DenseNet算法模型在测试集中的性能评估最佳,其总体精确率为0.989 4,召回率为0.990 6,F1-Score为0.990 0。结论 本研究建立的DenseNet算法模型对于辅助诊断小鼠肝脏淋巴瘤具有良好的应用前景,可有效提高CAR-T细胞治疗产品药效学和毒理学研究中肿瘤发生的评估准确性和一致性。
参考文献 |
相关文章 |
计量指标
|