文献

J-GLOBAL ID：202202285776352221   整理番号：22A1020967

腎臓における機械学習による組織サイトメトリー:小標本からビッグデータまで【JST・京大機械翻訳】

Tissue Cytometry With Machine Learning in Kidney: From Small Specimens to Big Data

著者 (6件)： El-Achkar Tarek M. (Division of Nephrology, Department of Medicine, Indiana University, Indianapolis, IN, United States) ,  Winfree Seth (Department of Pathology and Microbiology, University of Nebraska Omaha, Omaha, NE, United States) ,  Talukder Niloy (Department of Computer and Information Science, Indiana University-Purdue University Indianapolis, Indianapolis, IN, United States) ,  Barwinska Daria (Division of Nephrology, Department of Medicine, Indiana University, Indianapolis, IN, United States) ,  Ferkowicz Michael J. (Division of Nephrology, Department of Medicine, Indiana University, Indianapolis, IN, United States) ,  Al Hasan Mohammad (Department of Computer and Information Science, Indiana University-Purdue University Indianapolis, Indianapolis, IN, United States)
資料名： Frontiers in Physiology (Web)  (Frontiers in Physiology (Web))
巻： 13  ページ： 832457  発行年： 2022年 
JST資料番号： U7093A  ISSN： 1664-042X  資料種別： 逐次刊行物 (A)
記事区分： 文献レビュー  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 腎臓組織の細胞及び分子問診における進歩は,腎臓病の病因を理解し,治療介入のための分子標的を潜在的に同定する新しい時代を著者らにした。in situで細胞を分類し,損傷により誘導されるサブタイプと状態を同定することは,この状況における基礎作業である。大規模蛍光3Dイメージングのような高分解能イメージングに基づくアプローチは,組織構造の保存を可能にし,各細胞の空間状況の定義を提供するので,大きな利点を提供する。著者らは最近,3D画像ボリュームにおける標識細胞のインタラクティブ解析,定量および半自動化分類を可能にする体積組織探索および分析サイトメトリーツールを記述した。また,4′,6-ジアミジノ-2-フェニルインドール(DAPI)による3D核染色を用いて,無傷組織における細胞の深層学習を用いたイメージングに基づく分類を確立した。このミニレビューにおいて,腎臓組織の3Dイメージングの解析における最近の進展を議論し,そして,機械学習とサイトメトリーを組み合わせる方法は,高解像度イメージングにより提供されるコンテンツの深さを高度に有益な分析出力に活用する強力なアプローチである。したがって,小組織標本のイメージングは,空間的状況における細胞分類を可能にする大きなスケールデータをもたらし,腎臓病によって誘発される病理学的変化に関する新しい洞察を提供する。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 蛍光 ,  組織構造 ,  染色 ,  画像処理 ,  腎臓病 ,  三次元 ,  高分解能 ,  問診 ,  病因 ,  *機械学習 ,  コンテンツ
準シソーラス用語： 三次元画像 ,  半自動化 ,  *ビッグデータ ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 3Dイメージング ,  サイトメトリー分析 ,  腎臓損傷 ,  人工知能 ,  深層学習

分類 (1件)： 生体の顕微鏡観察法  (EA03050C)

引用文献 (49件)：

• Asp M., Giacomello S., Larsson L., Wu C., Furth D., Qian X., et al (2019). A Spatiotemporal Organ-Wide Gene Expression and Cell Atlas of the Developing Human Heart. Cell 179 647-1660.e19. doi: 10.1016/j.cell.2019.11.025
• Barwinska D., El-Achkar T. M., Melo Ferreira R., Syed F., Cheng Y. H., Winfree S. (2021). Molecular characterization of the human kidney interstitium in health and disease. Sci Adv 7:eabd3359. doi: 10.1126/sciadv.abd3359
• Ben-Yosef M., Weinshall D. (2018). Gaussian mixture generative adversarial networks for diverse datasets, and the unsupervised clustering of images. arXiv preprint arXiv 1808.10356. [preprint] doi: 10.1126/sciadv.abd3359
• Berry M. R., Mathews R. J., Ferdinand J. R., Jing C., Loudon K. W., Wlodek E., et al (2017). Renal Sodium Gradient Orchestrates a Dynamic Antibacterial Defense Zone. Cell 170 860-874.e19. doi: 10.1126/sciadv.abd3359
• Black L. M., Farrell E. R., Barwinska D., Osis G., Zmijewska A. A., Traylor A. M., et al (2021a). VEGFR3 tyrosine kinase inhibition aggravates cisplatin nephrotoxicity. Am. J. Physiol. Renal. Physiol. 321 F675-F688. doi: 10.1152/ajprenal.00186.2021

タイトルに関連する用語 (5件)： 腎臓 ,  機械学習 ,  組織 ,  標本 ,  ビッグデータ