机构名称：
¥ 1.0
像建立阿尔茨海默病登记处的联盟 (CERAD) 这样的半定量评分方案是阿尔茨海默病 (AD) 神经病理学实践中最常用的方法。基于机器学习的计算方法最近为全幻灯片图像 (WSI) 生成了定量分数，这些分数与人类衍生的阿尔茨海默病病理半定量分数（例如 CERAD 的分数）高度相关。然而，此类模型的稳健性尚未在不同的队列中进行测试。为了验证以前发布的使用卷积神经网络 (CNN) 的机器学习算法并确定病理异质性是否会改变算法得出的测量值，对来自 Goizueta Emory 阿尔茨海默病中心脑库的 40 个病例进行了评估，这些病例显示了一系列病理诊断（包括有和没有路易体疾病 (LBD) 的 AD，和/或 TDP-43 阳性内含体）和 A β 病理水平。此外，为了提供更深入的表型分析，我们比较了灰质和整个组织中的淀粉样蛋白负担，两者的定量 CNN 评分与 CERAD 样评分显着相关。定量评分还显示出基于 AD 病理的清晰分层，包括有或没有其他诊断（包括 LBD 和 TDP-43 内含物）与没有显着神经变性的病例（对照病例）以及 NIA Reagan 评分标准。具体而言，AD + TDP-43 的伴随诊断组显示核心斑块的 CNN 评分明显高于 AD 组。最后，我们报告说，与关注病理最密集的视野中的计算评分相比，整个组织计算评分与 CERAD 样类别的相关性更好，这是根据 CERAD 指南进行神经病理学评估的实践标准。这些发现共同验证并扩展了 CNN 模型，使其对队列变化具有稳健性，并为未来将机器学习算法纳入神经病理学实践的研究提供了额外的概念验证。
验证机器学习模型以跨机构检测淀粉样蛋白病理
主要关键词
相关文件推荐
