异常tau内含物是阿尔茨海默病的标志和临床衰退的预测因素。几种tau PET示踪剂可用于神经退行性疾病的研究，为体内分子诊断开辟了途径。然而，很少有药物被批准用于临床。PET信号验证的神经生物学基础仍然存在问题，因为它需要PET和(免疫)组织信号之间大规模的体素对体素的相关性。整个人类大脑的大维度，影响协同配准的组织变形，以及处理兆字节级信息的计算需求，都妨碍了正确的验证。

Lea T.Grinberg等开发了一种计算方法来识别和分割数十亿像素数字病理图像中感兴趣的粒子，以生成定量的三维密度图。

用于免疫组化样本的卷积神经网络IHCNet是该计划的核心。

研究流程

该研究小组成功地处理和免疫染色了超过500张载玻片，这些载玻片来自两个完整的人类大脑，含有三种phospho-tau抗体(AT100, AT8和MC1)。

IHCNet架构

该研究的人工神经网络从脑图像中估算tau内含物, AT100、AT8和MC1的ROC AUC分别为0.87、0.85和0.91。内省研究进一步评估了训练的模型学习tau相关特征的能力。

病例1、2的块面AT8、AT100、MC1定量热图(第一列)、MRI(第二列)。第三列描述了每个tau图各自的3D渲染。

该研究提出了一种前所未有的解决方案，以改善PET示踪剂对死后组织病理变化的验证。这个方法的一个关键组成部分是IHCNet，一个能够处理大型图像数据集来定位和分割感兴趣粒子的CNN。IHCNet具有较强的迁移学习能力。该研究在处理海量数据集的能力上进行了创新，并在色彩变化较大的模糊图像中表现良好，并获得了良好的协同配准结果。该研究在显微分辨率上的3D绘图，加上之前开发的结合组织学和成像体积的3D配准算法，可能为彻底和系统地验证新的神经成像示踪剂开辟道路，并加快其临床应用的审批。

该研究提出了一种端到端的方法，以创建兆兆字节级的3D tau内涵密度图，并将其配准到MRI上，作为一种促进PET示踪剂验证的手段。

原文出处

Deep learning for Alzheimer's disease: Mapping large-scale histological tau protein for neuroimaging biomarker validation