Browsing by Subject "machine learning"
Now showing items 1-3 of 3
-
(2020)Immunohistochemistry (IHC) is a widely used research tool for detecting antigens and can be used in medical and biochemical research. The co-localization of two separate proteins is sometimes crucial for analysis, requiring a double staining. This comes with a number of challenges since staining results depend on the pre-treatment of samples, host-species where the antibody was raised and spectral differentiation of the two proteins. In this study, the proteins GABAR-α2 and CAMKII were stained simultaneously to study the expression of the GABA receptor in hippocampal pyramidal cells. This was performed in PGC-1α transgenic mice, possibly expressing GABAR-α2 excessively compared to wildtype mice. Staining optimization was performed regarding primary and secondary antibody concentration, section thickness, antigen retrieval and detergent. Double staining was performed successfully and proteins of interest were visualized using a confocal microscope after which image analyses were performed using two different methods: 1) a traditional image analysis based on intensity and density of stained dots and 2) a novel convolutional neural network (CNN) machine learning approach. The traditional image analysis did not detect any differences in the stained brain slices, whereas the CNN model showed an accuracy of 72% in categorizing the images correctly as transgenic/wildtype brain slices. The results from the CNN model imply that GABAR-α2 is expressed differently in PGC-1α transgenic mice, which might impact other factors such as behaviour and learning. This protocol and the novel method of using CNN as an image analysis tool can be of future help when performing IHC analysis on brain neuronal studies.
-
(2021)Aivoverenvuotojen diagnosointi pään tietokonetomografia (TT) –kuvista on kokeneellekin radiologille ajoittain haastava tehtävä. TT-kuvan tulkintaan vaikuttavat muun muassa aivoverenvuodosta kulunut aika, kuvanlaatu, potilaan liikehdintä kuvauksen aikana, sekä mahdollisesti potilaalle ennen kuvantamista suoritettujen kirurgisten toimenpiteiden yhteydessä kudoksiin jätettyjen röntgensäteitä läpäisemättömien materiaalien (metallit) aiheuttamat häiriöt, eli artefaktat. Kuvantamistutkimusten määrä kasvaa vuosittain samaan aikaan kun radiologien määrä ei pysy kasvuvauhdin asettaman tarpeen mukana. Tekoälyalgoritmeja tarvitaan helpottamaan lisääntyvistä kuvantamismääristä johtuvaa työkuormaa, sekä auttamaan mahdollisten virhediagnoosien tunnistamisessa, sillä diagnosoimatta jäänyt aivoverenvuoto voi pahimmassa tapauksessa johtaa potilaan kuolemaan. Aivoverenvuotoja tunnistavan tekoälyalgoritmin kehittämisessä tarvitaan kuvadataa, johon aivoverenvuodot on piirretty, eli segmentoitu, mahdollisimman tarkasti. Segmentoinnin perimmäinen tarkoitus on pyrkiä merkitsemään jokaiseen kuvaan jokainen pikseli, joka edustaa sitä löydöstä, jota tekoälyalgoritmin halutaan kuvasta oppivan tunnistamaan. Se, että segmentointi on tehty mahdollisimman korkeaa laatua ja tarkkuutta noudattaen on ensiarvoisen tärkeä osa aivoverenvuotoja tunnistavan tekoälyalgoritmin kehitysprosessissa, sillä mikäli segmentointi on tehty huonolla tarkkuudella ja sisältää esimerkiksi pikseleitä, jotka eivät edusta haluttua löydöstä, ei tekoälyalgoritmi opi tunnistamaan haluttua löydöstä riittävän hyvin. Eri aivoverenvuototyypit näyttäytyvät TT-kuvassa usein varsin eri näköisinä, tämän vuoksi kullekin aivoverenvuototyypille tulee valita sille parhaiten sopiva segmentointitekniikka. Segmentoinnissa voi tapauksesta riippuen hyödyntää automaattisia ja puoliautomaattisia työkaluja, jotka parhaimmassa tapauksessa nopeuttavat segmentointiin kuluvaa aikaa kymmenillä minuuteilla yhtä tapausta kohden. Tässä artikkelissa käymme läpi kokonaisvaltaisesti sen, mitä vaaditaan laadukkaaseen TT-kuvadatan käsittelyyn, kun tavoitteena on kehittää aivoverenvuotoja tunnistava tekoälyalgoritmi.
-
(2020)Krooninen myelooinen leukemia (KML) on pahanlaatuinen veritauti, jonka ennuste on parantunut merkittävästi tyrosiinikinaasiestäjien (TKE) käyttöönoton jälkeen. Viimeaikaiset hoitokokeilut ovat osoittaneet, että 30–40 % KML-potilaista pystyy lopettamaan TKE-hoidon ilman taudin uudelleen ilmenemistä, mutta tutkimukset eivät ole pystyneet tuottamaan kliiniseen käyttöön tarvittavia parametreja hoitovasteen ennustamiseksi. Elimistön puolustusjärjestelmän aktivoituminen on osoittautunut tärkeäksi tavaksi kasvainsolukon tuhoamiseksi monissa syövissä, joten erot immuunijärjestelmän aktiivisuudessa voisi selittää eroja potilasryhmien välillä myös KML:ssa. Tutkimme tätä hypoteesia hyödyntämällä yksisolutekniikoita ja koneoppimista, joiden avulla voimme tarkastella erikseen syöpää tunnistavia ja syöpää tunnistamattomia immuunisoluja. Kokoamamme tutkimusaineisto käsittää lähes 150 KML-potilaan veri- tai luuydinnäytettä, joista on sekvensoitu yksittäisen immuunisolun tarkkuudella geenien aktiivisuusprofiili (n=25, scRNA+TCRab-seq) tai T-solureseptoriprofiili (n=137, TCRb-seq). Näytteemme käsittävät diagnoosivaiheen lisäksi myös näytteitä ennen TKE-hoidon lopettamista ja sen jälkeen potilailla, joilla tauti ei ole uusinut ja joilla on uusinut. Tutkimuksemme tulokset tarkentavat toimivan immuunijärjestelmän merkitystä TKE-hoidon onnistuneessa lopettamisessa. Vertailumme muihin kiinteisiin ja hematologisiin syöpiin osoittavat etenkin luonnollisten tappajasolujen (NK-solujen) tärkeän roolin KML:ssa ja selvittävät miten NK-solut vuorovaikuttavat KML-syöpäsolukon kanssa. Kouluttamamme koneoppimismalli erottelee tarkasti KML:aa tunnistavat T-solut muita kohteita tunnistavista, ja sen avulla pystymme osoittamaan miten syöpää tunnistavat T-solut liittyvät onnistuneen hoidon lopetukseen. Tutkimuksemme tarjoaa uuden tekoälypohjaisen työkalun lisäksi potentiaalisia mekanismeja, joiden avulla puolustusjärjestelmän soluja voitaisiin aktivoida esimerkiksi uusilla immuunivasteenaktivaationvapauttajilla, jotta yhä useampi potilas voitaisiin lopullisesti parantaa KML:sta.
Now showing items 1-3 of 3