在电镜水平构建脑线粒体人工智能识别与分析模型EMMITO

摘要

目的:构建一种基于深度学习的人工智能(AI)模型，以实现脑组织电镜图像中线粒体的自动识别与多维度参数分析。方法:制备120张小鼠脑黑质网状部(SNr)电镜图像，构建基于Cascade Mask R-CNN的电镜脑线粒体AI识别与分析模型(EMMITO),并采用掩码重采样标准化流程优化形态学参数计算。为验证模型泛化能力，将其直接迁移至20张人类脑胶质瘤电镜图像进行测试，评估其跨物种识别性能。结果:在小鼠脑线粒体识别任务中，EMMITO的F1分数达0.76,平均精度均值(mAP)为0.71,显示出优秀的识别精度与平衡性。在人类脑胶质瘤电镜图像中，模型准确率达93.1%,且线粒体超微结构解析数据的组内相关系数(ICC)大于0.95,表明其结果具有极佳的一致性。结论:EMMITO可实现脑线粒体高效、精准识别及参数提取，为临床脑研究提供标准化工具支撑。

关键词

线粒体 / 脑 / 电镜图像 / 深度学习 / 人工智能