Blog

Nov 20, 2023

Interpretierbarer maschineller Lernansatz für Neuronen

Wissenschaftliche Berichte Band 13,

Wissenschaftliche Berichte Band 13, Artikelnummer: 5567 (2023) Diesen Artikel zitieren

861 Zugriffe

2 Altmetrisch

Details zu den Metriken

Die Komplexität der Großhirnrinde liegt ihrer Funktion zugrunde und zeichnet uns als Menschen aus. Hier stellen wir eine prinzipielle, veridikale datenwissenschaftliche Methodik für die quantitative Histologie vor, die den Schwerpunkt von Untersuchungen auf Bildebene hin zu Darstellungen kortikaler Regionen auf Neuronenebene verlagert, wobei die Neuronen im Bild das Untersuchungsobjekt sind und nicht der pixelweise Bildinhalt. Unsere Methodik basiert auf der automatischen Segmentierung von Neuronen über ganze histologische Abschnitte und einem umfangreichen Satz technischer Merkmale, die den neuronalen Phänotyp einzelner Neuronen und die Eigenschaften der Nachbarschaft von Neuronen widerspiegeln. Die Darstellungen auf Neuronenebene werden in einer interpretierbaren Pipeline für maschinelles Lernen verwendet, um den Phänotyp auf kortikale Schichten abzubilden. Um unseren Ansatz zu validieren, haben wir einen einzigartigen Datensatz kortikaler Schichten erstellt, der von drei Experten für Neuroanatomie und Histologie manuell kommentiert wurde. Die vorgestellte Methodik bietet eine hohe Interpretierbarkeit der Ergebnisse und ermöglicht ein tieferes Verständnis der Organisation des menschlichen Kortex, was bei der Formulierung neuer wissenschaftlicher Hypothesen sowie bei der Bewältigung systematischer Unsicherheiten in Daten und Modellvorhersagen hilfreich sein kann.

Die menschliche Großhirnrinde ist eine hochorganisierte, komplexe Struktur, die aus Milliarden von Neuronen besteht. Eines der herausragendsten Merkmale der menschlichen Großhirnrinde sind kortikale Schichten – laminare Strukturen, die parallel zur Oberfläche der Großhirnhemisphäre verlaufen und übereinander liegen. Diese Schichtstruktur wird durch Variationen in der Zelldichte, Größe und Form der Neuronen verursacht, die für jede kortikale Schicht spezifisch sind. Die gesamte Großhirnrinde kann, basierend auf der Anzahl der Schichten, in einen sechsschichtigen Neocortex (oder Isocortex) und einen Allocortex unterteilt werden, der weiter in einen zweischichtigen Paläokortex, einen dreischichtigen Archicortex und normalerweise einen fünfschichtigen Mesocortex unterteilt werden kann . Die heute am häufigsten verwendete Klassifikation der neokortikalen Schichten basiert auf dem zu Beginn des 20. Jahrhunderts von Korbinian Brodmann entwickelten Konzept1. In dieser Klassifikation besteht der Neokortex aus sechs Schichten, die sich durch neuronale Merkmale wie Neuronentyp, Anzahl, Größe, Form, Dichte usw. unterscheiden. In seiner bahnbrechenden Arbeit fasste Brodmann auch frühere Arbeiten zur Zusammensetzung des Neokortex zusammen und zeigte, dass in Beim generischen Neokortex unterschieden sich die Forscher erheblich bei der Beschreibung der Anzahl der Schichten, die zwischen vier und sieben lag. Daraus können wir schließen, dass kortikale Schichten, obwohl biologische Merkmale der Großhirnrinde, durch willkürliche, von menschlichen Beobachtern entwickelte Kriterien abgegrenzt werden. Darüber hinaus sind Zusammensetzung, Größe und Anzahl der Schichten in der gesamten Großhirnrinde nicht konstant. Basierend auf Variationen dieser zytoarchitektonischen Merkmale kann die Großhirnrinde in kleinere kortikale, zytoarchitektonische Bereiche unterteilt werden. Zu Beginn des 20. Jahrhunderts entwickelten Forscher auf dem Gebiet der Zytoarchitektonik (d. h. der Untersuchung des kortikalen Bauplans) mehrere zytoarchitektonische Karten, die die Großhirnrinde in kleinere Struktureinheiten unterteilten, wobei zwei der einflussreichsten eine von Brodmann1,2 und entwickelte sind der andere von Economo und Koskinas3. Für jeden zytoarchitektonischen Bereich kann eine klare Reihe von Merkmalen definiert werden, die ihn von anderen Bereichen unterscheiden. Allerdings sind die Grenzen zwischen zwei Bereichen nicht immer eindeutig, sondern vielmehr ein Übergangsbereich mit allmählichen Veränderungen von einem zum anderen. In diesen Übergangsbereichen ist es für den menschlichen Beobachter oft schwierig, sowohl kortikale Bereiche als auch Lamina innerhalb von Bereichen präzise und konsistent abzugrenzen. Das Interesse an der Analyse dieser Strukturen wird durch den Nachweis der Beziehung zwischen Merkmalen der zytoarchitektonischen Struktur und kortikalen Funktionen angetrieben. Heute geht man davon aus, dass die Art und Weise, wie Neuronen im Gehirn verteilt sind, dessen Funktion bestimmt. Die Feinheiten dieser Feinstruktur des Gehirns, die seiner Funktion zugrunde liegen, können durch die Untersuchung der Organisation der Zellen im gesamten Kortex sehr detailliert charakterisiert werden4. Untersuchungen in diesem Bereich werden jedoch meist manuell durchgeführt, erfordern einen erheblichen Zeitaufwand der Forscher, führen zu einer beobachterabhängigen Verzerrung und behindern die Reproduzierbarkeit der Forschung5. Mit fortschreitender Technologie stehen immer mehr digitalisierte histologische Daten zur Verfügung. Computergestützte Methoden ermöglichen eine schnellere, objektivere Untersuchung kortikaler Strukturen mit höherem Durchsatz durch automatisierte Verarbeitung histologischer Schnitte des Kortex. Dadurch können Forscher verschiedene wissenschaftliche Fragen beantworten, indem sie die anatomische und funktionelle Organisation des Gehirns besser verstehen und subtile Veränderungen in den Gehirnstrukturen beobachten, die durch neurologische und psychiatrische Erkrankungen verursacht werden.

Seit den ersten Methoden, die eine Automatisierung bei der Analyse kortikaler Schichten einführten, war die zentrale Idee die Probenahme verschiedener Gewebemaße entlang transversaler Linien, die entweder manuell oder halbautomatisch über die Kortikalis gezogen wurden, senkrecht zur laminaren Struktur und über die gesamte Breite der Kortikalis der Kortex6,7,8,9. Ein wichtiger Schritt war die Entwicklung des Graustufenindex (GLI)10, einer Methode, die Flächenanteile dunkel gefärbter Zellkörper im gesamten Kortex misst, je nach interessierendem Ort unterschiedliche Neuronendichteprofile liefert und Positionen am kortikalen Band identifiziert Zytoarchitektonische Merkmale ändern sich11. Blöcke benachbarter Profile können durch Merkmalsvektoren dargestellt und zwischen Bereichen des Kortex verglichen werden. Profilmerkmale wurden zur Schätzung der Zellzahl zwischen kortikalen Bereichen verwendet und lieferten realistische Informationen über die Neuronendichte12. Höhere Automatisierungsgrade ermöglichten eine schnellere Analyse größerer Datensätze. Das BigBrain ist ein hochauflösender digitaler 3D-Atlas des gesamten menschlichen Gehirns, der riesige Mengen hochauflösender histologischer Daten für neuroanatomische Studien liefert13. Die GLI-Profile wurden mit Methoden des maschinellen Lernens kombiniert, um eine laminare Segmentierung im BigBrain-Datensatz zu erstellen und so Parzellierungen über große Gehirnbereiche hinweg zu erstellen14,15. Kortikale Schichten wurden auch mithilfe von Faltungs-Neuronalen Netzen segmentiert16, und es wird ein Vergleich mit dem GLI-Ansatz gegeben17. Der erste Artikel, der Merkmale und Statistiken einzelner Neuronen nutzt, erschien 2017, wobei die Autoren die automatische Segmentierung von Zellen im Gehirn von Mäusen nutzten und Zellformstatistiken ohne Modelle für maschinelles Lernen analysierten18. Im Jahr 2018 wurde der erste Ansatz vorgeschlagen, der keine Profile im gesamten Kortex verwendet19. Ein kombinierter Ansatz aus unbeaufsichtigtem und überwachtem maschinellem Lernen wurde an einem Datensatz aus 2-Photonen-Mikroskopbildern der Rattenrinde verwendet. Man kann den Übergang zur Automatisierung, zur Analyse größerer Datensätze und zum Einsatz von Methoden des maschinellen Lernens in einem Bereich beobachten, der bis vor Kurzem von der Verwendung klassischer Bildverarbeitungstechniken dominiert wurde, die verschiedene Filter, bildweite Pixeltransformationen, Schwellenwerte und ähnliches verwenden Operationen.

Auf maschinellem Lernen basierende Methoden stützen sich auf einen Trainingsdatensatz, um ihre Vorhersagefähigkeiten zu entwickeln, sodass sie unsichtbare Daten verallgemeinern und Vorhersagen treffen können. In diesem Zusammenhang beziehen sich die unsichtbaren Daten auf Gewebeteile, die von menschlichen Forschern nicht manuell abgegrenzt oder beschriftet wurden. Beim maschinellen Lernen wird ein solcher Ansatz als überwachtes Lernen bezeichnet, manchmal auch als prädiktive Modellierung bezeichnet. Für die Entwicklung erfolgreicher Modelle sind ausreichende Lerndaten von entscheidender Bedeutung, und menschliche Bezeichnungen gelten als Goldstandard. Im Laufe der Jahre wurde jedoch zunehmend erkannt, welche Auswirkungen menschliche Voreingenommenheit auf die Gehirnparzellierung hat, und viele Methoden versuchten, dieses Problem durch die Entwicklung objektiver quantitativer Messungen und die Verwendung von Statistiken zur Unterscheidung zwischen verschiedenen Schichten und Gehirnbereichen zu lösen20. In einem kürzlich erschienenen Artikel21 verwenden Autoren Schätzungen der neuronalen Dichte, um auf lokale neuronale Konnektivität zu schließen. Gleichzeitig gehen sie auf das Problem der menschlichen Voreingenommenheit bei der manuellen Segmentierung kortikaler Schichten ein und verwenden einen unbeaufsichtigten Clustering-Ansatz, um die laminare Struktur zu identifizieren und darzustellen. Ein wichtiger Aspekt, der bei der Analyse von Bildern des menschlichen Gehirns oder biomedizinischen Bildern im Allgemeinen berücksichtigt werden muss, ist, inwieweit automatisierte Systeme die Arbeit menschlicher Forscher nachbilden sollten. Computer-Vision-Systeme können Zugriff auf zugrunde liegende Bildinhalte ermöglichen, die nicht sichtbar sind, jedes Bild gleichermaßen verarbeiten und eine teilweise oder vollständige Automatisierung des Prozesses ermöglichen22, insbesondere im Hinblick auf die in letzter Zeit verfügbaren riesigen Mengen an hochauflösenden und multimodalen Daten, die weit über die Möglichkeiten von hinausgehen jede Art von manueller Analyse. Solche Systeme können detaillierte anatomische und biologisch bedeutsame Informationen in großem Maßstab ableiten und analysieren, derzeit vernachlässigte Strukturierungsprinzipien aufdecken und ein tieferes Verständnis der laminaren Struktur ermöglichen. Dies deutet darauf hin, dass ein Bedarf besteht, über die Grenzen der manuell erstellten Parzellierung in herkömmlichen Atlanten hinauszugehen und sich einer datengesteuerten Analyse zuzuwenden. Im Idealfall würde eine Darstellung eines histologischen Schnitts, die Informationen enthält, die eine objektive und unbeaufsichtigte Klassifizierung oder Parzellierung von Schichten ermöglichen und sogar die Unterschichtung aufdecken, dazu beitragen, viele unbeantwortete Probleme bei der Untersuchung der Anatomie und Physiologie des Gehirns zu lösen.

In diesem Artikel gehen wir davon aus, dass die aktuellen Methoden diese Fähigkeiten nicht bieten, da sie nicht in der Lage sind, subtile zytoarchitektonische Merkmale zu erfassen. Folglich weisen sie eine geringe Erklärbarkeit und Interpretierbarkeit ihrer Ergebnisse auf. Tiefenbasierte Methoden, die mit schreitenden Fenstern über das Bild arbeiten, können überzeugende Parzellierungen liefern, aber wir können nicht fragen, welche Gewebeeigenschaften zu diesen Ergebnissen führen. Hier untersuchen wir die Möglichkeit der Entwicklung einer Neuronen-Phänotypisierung23, die zytoarchitektonische Details erfasst und für Rückschlüsse auf die Gehirnstruktur verwendet werden kann, indem nur lokale Gewebeinformationen auf zellulärer Ebene verwendet werden. Die Anwendbarkeit dieses Ansatzes wird durch die Aufgabe demonstriert, kortikale Schichten zu unterscheiden, indem jedes Neuron mithilfe einer überwachten maschinellen Lernmethode innerhalb der sechs kortikalen Schichten und der weißen Substanz klassifiziert wird. Die Methode verwendet die Charakterisierung des Phänotyps als Eingabe und sagt die Schicht des einzelnen Neurons voraus, was von Haus aus ein hohes Maß an Interpretierbarkeit bietet. Wir demonstrieren auch die Fähigkeit des Menschen, zwischen den kortikalen Schichten zu unterscheiden, und untersuchen, wie lernbasierte Methoden aus solch verrauschten Etiketten verallgemeinern können. Das entwickelte Framework bietet die Möglichkeit zu untersuchen, welche neuronalen Merkmale für verschiedene Bereiche charakteristisch sind, und stellt eine Perspektive für zukünftige Untersuchungen im Bereich der Zytoarchitektur dar.

Die histologischen Daten stammen aus der Zagreber Neuroembryologischen Sammlung24. Die in dieser Studie verwendeten Proben wurden aus dem präfrontalen Kortex von zwei Gehirnen entnommen (Gehirn 1 55 Jahre alt, weiblich, postmortale Verzögerung 24 Stunden; Alter von Gehirn 2 nicht verfügbar; männlich, postmortale Verzögerung 4 Stunden). Es wurden Schnitte aus dem dorsalen und ventralen Teil des typischen sechsschichtigen homotypischen Isocortex des präfrontalen Cortex3,4 entnommen. Die Gehirne wurden zwei Wochen lang in \(4\%\) PFA fixiert. Nach der Probenahme wurden die Schnitte durch eine Reihe von Ethanol dehydriert und in Paraffin eingebettet. Die Schnitte wurden mit einem rotierenden Mikrotom in Dicken von \(10\;\upmu \hbox {m}\) und \(20\;\upmu \hbox {m}\) geschnitten. Das Gewebe wurde mit der NeuN-Immunhistochemie-Methode gemäß dem Standardprotokoll25 gefärbt. NeuN ist ein RNA-bindendes Kernprotein, das vom RBFOX3-Gen abgeleitet ist, das alternatives Spleißen in Neuronen reguliert und in allen Neuronen der verwendeten Gewebeproben explizit exprimiert wird. In den Experimenten wurden \(10\;\upmu \hbox {m}\)- und \(20\;\upmu \hbox {m}\)-Schnitte verwendet, um zu testen, ob die Gewebedicke die Ergebnisse beeinflussen würde. Histologische Schnitte wurden mit dem Hamamatsu Nanozoomer 2.0-Scanner (Hamamatsu Photonics, Japan) bei 40-facher Vergrößerung digitalisiert, was einer Auflösung von \(0,226\mu \hbox {m/pixel}\) entspricht. Beispielhafte histologische Schnitte in Abb. 1 zeigen unterschiedliche neuronale Morphologie und Zellverteilung über die kortikalen Schichten. Computerexperimente wurden mit benutzerdefinierten Skripten durchgeführt, die in Python 3.8 und öffentlich verfügbaren Standardbibliotheken geschrieben wurden.

Mit der NeuN-Immunhistochemie-Methode gefärbte histologische Schnitte zeigen unterschiedliche neuronale Morphologie und Zellverteilung über die Schichten des Kortex. Das linke Bild stammt aus dem dorsolateralen Teil des präfrontalen Kortex (Dicke \(10\;\upmu \hbox {m}\)) und das rechte Bild wurde aus dem orbitalen Teil des präfrontalen Kortex (Dicke \(20\) aufgenommen. ;\upmu \hbox {m}\)). Maßstabsleiste \(100\;\upmu \hbox {m}\).

Bei der manuellen Abgrenzung sind Dichte und Größe der Neuronen die wichtigsten Charakterisierungen der laminaren Struktur. Basierend auf anatomischen Beschreibungen und Schätzungen der Kerndichte werden drei Populationen ähnlicher Dichte angenommen (Schichten II und IV als dicht, Schichten III, V und VI als durchschnittlich und Schicht I und weiße Substanz als spärlich), zwei Populationen ähnlicher Größe ( Die Schichten III, V und VI enthalten im Durchschnitt größere Neuronen und die Schichten I, II, IV und die weiße Substanz enthalten im Durchschnitt kleinere Neuronen. Durch die Darstellung eines Histogramms der Neuronendichten und -größen kann man beobachten, dass die Merkmale eine multimodale Verteilung ausdrücken, die mithilfe der Minimierung der klasseninternen Varianz getrennt werden kann26. Abbildung 2 zeigt eine Visualisierung der Trennung der Neuronenpopulationen im histologischen Abschnitt und zeigt die laminare Struktur. Im Gegensatz zum klassischen pixelbasierten Ansatz zur Segmentierung der kortikalen Schicht verwendeten wir Gewebedeskriptoren auf Neuronenebene, um die zugrunde liegenden Gewebeeigenschaften zu charakterisieren und zu untersuchen. Wir entwickeln mehrere Feature-Klassen, die jedes Neuron im Gewebe beschreiben und verwenden ein maschinelles Lernmodell, um die Schicht einzelner Neuronen zu bestimmen. Durch die Klassifizierung aller Neuronen im Gewebe erhalten wir die Parzellierung der laminaren Struktur. Nach bestem Wissen der Autoren ist dies der erste Bottom-up-Ansatz bei der Analyse der Zytoarchitektur des Gehirns, der auf der zellulären Ebene aufbaut und auf der Grundlage morphologischer und struktureller Merkmale einzelner Neuronen Rückschlüsse auf größere Strukturen zieht. Hier diskutieren wir die Entwicklung dieser Funktionen sowie einige Gründe für die Entscheidungen, die bei ihrer Entwicklung und Auswahl getroffen wurden.

Der erste Schritt zur Neuronencharakterisierung ist die Segmentierung der Neuronen aus dem Hintergrundgewebe. Die Segmentierungen wurden mit automatisierten Methoden27,28 erhalten, die eine graustufengesteuerte Wasserscheide auf anisotrop diffusen Bildern verwenden, um Neuronen zu trennen, anstelle häufig verwendeter Distanzkarten, die aus der Graustufenschwelle gewonnen werden, und so ein binäres Bild segmentierter, nicht überlappender Neuronenbereiche liefern. Da das Ziel hier darin besteht, konsistente Ergebnisse im gesamten Gewebe zu erzielen, können auch andere Segmentierungsmethoden verwendet werden, wie beispielsweise eine kürzlich vorgeschlagene Instanzsegmentierung über Konturvorschläge29, insbesondere für verschiedene Färbemethoden. Dieser Schritt ergab die Standorte und Segmentierungen von Neuronen, aus denen andere neuronale Eigenschaften entwickelt werden.

Zweitens wurden Neuronensegmentierungen mithilfe der ImageJ-Partikelanalysepipeline30 analysiert. Es wurde eine Überlappung von binären Segmentierungen und dem Originalbild erstellt, und die Funktionsanalysepartikel von ImageJ wurden verwendet, um Messungen der Körper von Neuronen zu erstellen. Dies waren die Fläche, der Umfang, die Zirkularität, die Rundheit und der Feret-Durchmesser sowie der Mittelwert, der Median, die Schiefe und die Wölbung der Grauwerte. Weitere Details zur Partikelmessung finden Sie in der Dokumentation von ImageJ31. Diese Merkmale bilden die Grundlage für Untersuchungen zur Mikroanatomie des Gehirns, da sie häufig, wenn auch nicht mit dieser Präzision, vom Auge von Neuroanatomen wahrgenommen werden. Auf diese Weise erhalten wir die ersten neuronalen Merkmale, die visualisiert werden können, um Muster ihres Auftretens in den kortikalen Schichten aufzudecken, wie in Abb. 2 dargestellt. Es ist zu beachten, dass auf der Bildintensität basierende Werte in der weiteren Analyse nicht verwendet wurden Es wurde der Schluss gezogen, dass diese nicht allgemein verwendbar sind, da sie möglicherweise stark durch eine ungleichmäßige Färbung über den Schnitt hinweg beeinflusst werden und unterschiedliche Werte für verschiedene Färbeverfahren aufweisen. Diese einfachen Messungen besitzen keine Unterscheidungskraft, um eindeutige Klassifizierungen von Neuronen innerhalb der Schichten zu erstellen. Daher wurden umfangreichere Deskriptoren berechnet, die Neuronennachbarschaften einbeziehen, wie unten beschrieben.

Durch die Visualisierung der grundlegenden neuronalen Eigenschaften, der Fläche und der lokalen Dichte wird die laminare Struktur sichtbar, da diese Merkmale multimodale Verteilungen aufweisen. Links: Drei Arten von Neuronen wurden anhand der Zelldichte in ihrer Umgebung unterschieden: sehr dünn (blau), dünn (rot) und dicht (grün). Mitte: Größere (rot) und kleinere (grün) Neuronen. Rechts: Die durchschnittliche Größe benachbarter Neuronen ist ein Merkmal, das aus den beiden vorherigen Elementen erhalten wurde: nächstgelegene benachbarte Neuronen und deren Bereiche, das auch zur Erleichterung der Schichtvorhersage verwendet werden kann. Hier wurden Schwellenwerte, die die Verteilungen trennen, durch Minimierung der klasseninternen Varianz ermittelt26.

Es ist erwähnenswert, dass dichtebasierte Clustering-Algorithmen häufig verwendet werden, um Bereiche mit ähnlichen Punktdichten zu segmentieren32,33,34, was mit kortikalen Schichten in Zusammenhang gebracht werden kann, die innerhalb jeder Schicht eine ungefähr gleichmäßige Dichte aufweisen. Es scheint jedoch, dass die Neuronenverteilung im Kortex so ist, dass ihre intrinsische Struktur möglicherweise nicht durch einen einzigen Satz globaler Dichteparameter geclustert wird, wie sie bei Clustering-Methoden verwendet werden. Dennoch lieferten diese Methoden Einblicke in einige kortikale Eigenschaften. Aussagekräftige Cluster wurden erstellt, wenn Neuronen im Radius zwischen \(100\;\upmu \hbox {m}\) und \(300\;\upmu \hbox {m}\) berücksichtigt wurden, die zwischen 300 und 800 Neuronen enthielten. Dies führte zu dem Schluss, dass die sich verändernde Natur der Neuronenverteilung im Gehirn am besten charakterisiert werden kann, wenn Messungen in diesem Bereich durchgeführt werden. Dieser Bereich entspricht in etwa auch den biologischen Grenzen der Schichtabstände. Es ist wichtig zu betonen, dass die Auswahl eines vordefinierten Radius oder einer Anzahl von Nachbarn zwar gleichwertig erscheinen mag, die Analyse der nächsten Nachbarn jedoch dem Ansatz mit festem Radius vorzuziehen ist. Ein vordefinierter Radius kann je nach Bildauflösung unterschiedlich interpretiert werden. Der spezifizierte Bereich um ein Neuron herum ermöglicht eine detailliertere und präzisere Analyse der Mikrostruktur des Gewebes in diesem spezifischen Bereich, indem ein Gleichgewicht zwischen der Gewinnung ausreichender Informationen zur Erfassung lokaler Gewebeeigenschaften und der Vermeidung von Verwirrung durch eine zu große Entfernung vom Neuron in Richtung anderer Schichten hergestellt wird Einbeziehung von Informationen, die sich nicht in der Nähe des Neurons befinden und daher für den Phänotyp des Neurons weniger relevant sind. Wenn außerdem eine feste maximale Anzahl von Nachbarn für jedes Neuron verwendet wird, können effiziente Datenstrukturen wie kd-trees35,36 vorberechnet werden. Angesichts der großen Anzahl von Neuronen, die in einem histologischen Schnitt gefunden werden, kann die Effizienz von entscheidender Bedeutung sein.

Um die Eigenschaften der Nachbarschaften von Neuronen zu messen, wurden die nächsten k Nachbarn für \(k \in [50,100,250,500,1000]\) berücksichtigt. Als Merkmal wurden die Abstände zum k-ten nächsten Nachbarn eines Neurons sowie deren Mittelwert, Maximalwert, Minimalwert, Schiefe, Kurtosis und Entropie verwendet. Grundlegende Maße einzelner Neuronen wurden auf ähnliche Weise berechnet, um beispielsweise die durchschnittliche Fläche benachbarter 100 Neuronen zu ermitteln, wie rechts in Abb. 2 dargestellt. Eine konvexe Hülle der k-Nachbarn von Neuronen gibt Informationen über die Umgebung ein Neuron und eine Reihe seiner Nachbarn und wird anhand der Hüllenfläche, des Umfangs, der durchschnittlichen nächsten Entfernung für in der Hülle gefundene Neuronen und der Standardabweichung der nächsten Entfernungen beschrieben. Die Streuung von Neuronen kann mithilfe des Nearest Neighbor Index (NNI) quantifiziert werden, einem Maß, das beschreibt, ob Punkte normalerweise subjektiven Mustern einer regelmäßigen, gruppierten oder zufälligen Verteilung folgen. Der NNI misst die Entfernung zwischen jedem Punkt und dem Standort seines nächsten Nachbarn. Alle Entfernungen der nächsten Nachbarn werden gemittelt. Wenn die durchschnittliche Entfernung kleiner als der Durchschnitt einer Zufallsverteilung ist, wird die Verteilung der analysierten Features als geclustert betrachtet. Wenn die durchschnittliche Entfernung größer als eine Zufallsverteilung ist, gelten die Features als regelmäßig verteilt. Der Index wird als Verhältnis der mittleren beobachteten Entfernung geteilt durch die erwartete Entfernung ausgedrückt, die auf einer Zufallsverteilung mit derselben Anzahl von Punkten basiert, die dieselbe Gesamtfläche abdecken.

Neuronen in allen Schichten außer Schicht I und weißer Substanz neigen eher zu einer gleichmäßig verteilten Verteilung, insbesondere Neuronen der Schicht IV, die eher zu einer zufälligen Verteilung neigen.

Abhängig von seiner Position im Kortex kann ein Neuron eher in der Mitte oder mehr am Rand seiner Schicht platziert werden. Die Berechnung der Eigenschaften seiner Nachbarschaft kann durch den Zugriff auf benachbarte Schichten und die Verwendung von Neuronen mit unterschiedlichen Eigenschaften für die Berechnung von Statistiken verfälscht werden. Um diesen Fall zu identifizieren, dürfen Messungen nur von Neuronen durchgeführt werden, die innerhalb des Winkelbereichs oder der Schnitte gefunden werden. In mehreren Richtungen gemessene Merkmale können Grenzneuronen und Veränderungen neuronaler Eigenschaften in verschiedenen Richtungen identifizieren. Scheiben können als Messeinheiten betrachtet werden, die von einem einzelnen Neuron ausgehen, wobei jede Einheit eine Population benachbarter Neuronen darstellt, die in einer bestimmten Richtung vom zentralen Neuron aus gefunden werden. Die Beziehung verschiedener Populationen innerhalb eines Gebiets wurde im Rahmen der biologischen Vielfalt von Arten, Landschaften und anderen Themen ausführlich untersucht37,38. Betrachtet man die Neuronen in einem Schnitt als Mitglieder einer einzelnen Art und die k Nachbarn eines Neurons als die Population aller Arten in ihrem Lebensraum, bewerten Biodiversitätsmaße die Beziehung zwischen den Arten. In diesem Zusammenhang ist die Anzahl der Scheiben die Anzahl verschiedener Arten oder der Artenreichtum und die relative Häufigkeit der verschiedenen Arten in einem Gebiet die Gleichmäßigkeit. Die beiden am häufigsten verwendeten Maße dieser Art sind der Shannon-Index39 und der Simpson-Index40. Der Shannon-Index ist ein quantitatives Maß für die Unsicherheit bei der Vorhersage der Art eines zufällig aus der Population ausgewählten Individuums. Der Simpson-Index misst die Wahrscheinlichkeit, dass die beiden Individuen, die zufällig (mit Ersatz) aus der Gesamtpopulation ausgewählt werden, derselben Art angehören.

Dabei ist R die Anzahl der verschiedenen Arten oder hier der Schichten und \(p_i\) der Anteil der Arten des i-ten Typs in der Population oder der Anteil der Neuronen in der i-ten Schicht an der Anzahl der Neuronen in der k-Nachbarschaft. Wenn alle Slices die gleiche Anzahl von Neuronen haben, sind die \(p_i\)-Werte gleich 1/R und der Shannon-Index nimmt den Maximalwert von \(\ln R\) an. Wenn die Zahlen ungleich sind, ist das gewichtete geometrische Mittel der \(p_i\)-Werte größer, was dazu führt, dass der Index kleinere Werte hat. Der Index ist gleich Null, wenn die Neuronen nur aus einem Slice vorhanden sind, da keine Unsicherheit bei der Vorhersage des Slice besteht, in dem sie sich befinden. Der Index gibt Auskunft über die Beziehung zwischen der Anzahl der Typen und dem Vorhandensein des dominanten Typs. Die mittlere proportionale Häufigkeit der Schichten nimmt mit abnehmender Anzahl von Schichten zu, und mit zunehmender Häufigkeit der Schicht mit der größten Anzahl von Neuronen erhält der Index kleine Werte in Regionen mit hoher Diversität, wie Neuronen an Grenzen zwischen den Schichten, dünnen Schichten usw insbesondere Schicht-I-Neuronen. Der Index ist in homogenen Bereichen wie der Mitte der Schicht III groß, wo Schichten, die von einem Neuron ausgehen, im Bereich der Schicht verbleiben.

Alle Proben wurden im Rahmen regelmäßiger Autopsien in Pathologieabteilungen der Medizinischen Fakultät der Universität Zagreb entnommen, von der Ethikkommission der Medizinischen Fakultät der Universität Zagreb und in Übereinstimmung mit der Deklaration von Helsinki genehmigt und eine Einverständniserklärung der Universität eingeholt nächster Angehöriger.

Die Verteilung der Merkmale von Neuronen im Kortex bietet Einblick in verschiedene Aspekte der zytoarchitektonischen Organisation. Dieser detaillierte Ansatz auf Neuronenebene ermöglicht eine Gewebeinspektion nach bekannten zytoarchitektonischen Prinzipien, wie beispielsweise der Verteilung der größten Neuronen. Diejenigen mit der größten Fläche befanden sich in Schicht III des Kortex, gefolgt von Neuronen der Schichten V und VI. Von den 50 größten Neuronen wurden \(43 (86\%)\) in Schicht III, \(5 (10\%)\) in Schicht V und \(2 (4\%)\) in Schicht gefunden VI. Von den 500 größten Neuronen wurden \(268 (54\%)\) in Schicht III, \(142 (28\%)\) in Schicht V und \(87 (17\%)\) in Schicht VI gefunden und nur \(3 (1\%)\) in Schicht IV. Dieser Vergleich bestätigt, dass die berechneten Merkmale aussagekräftige Ergebnisse liefern und neuroanatomischen Beobachtungen folgen. Die Visualisierung des Verhältnisses der Verteilung der größten und kleinsten 500 Neuronen zwischen den Schichten ist in Abb. 3 dargestellt. Die Zirkularität und Rundheit der Neuronen wurde in Schicht VI am niedrigsten gefunden, die bekanntermaßen aus multipolaren Neuronen mit Dendriten besteht, die in verschiedene Richtungen reichen. Variationen in der Graustufenintensität wurden in den kortikalen Schichten unterschiedlich ausgedrückt. Neuronen mit den höchsten mittleren Graustufenwerten wurden meist in Schicht I gefunden und zeigten eine geringe NeuN-Farbstoffaufnahme. Neuronen mit dem niedrigsten Median wurden vorwiegend in Schicht VI, in Schicht IV und in der Mitte von Schicht III gefunden, manchmal auch als Schicht IIIb bezeichnet. Es wurden keine Schlussfolgerungen gezogen oder der Grund dafür gefunden, dass Neuronen der Schicht VI so große NeuN-Aufnahmeeigenschaften hatten, die zu geringeren individuellen Graustufenintensitäten führten. Es wurde gezeigt, dass Messungen der Neuronenform wie Fläche, Zirkularität oder Umfang eine höhere Unterscheidungskraft liefern, was nicht unerwartet ist, da die Ergebnisse der neuroanatomischen Forschung in hohem Maße von der Form und Größe der Neuronen abhängen.

Die neuronenzentrierte Analyse ermöglicht umfassendere Statistiken. Hier ist der Anteil der obersten größten (links) und kleinsten (rechts) Neuronen im Abschnitt dargestellt, verteilt auf die einzelnen Schichten. Die größten Neuronen befanden sich in Schicht III des Kortex, gefolgt von Neuronen der Schichten V und VI. Von den 50 größten Neuronen wurden \(43 (86\%)\) in Schicht III, \(5 (10\%)\) in Schicht V und \(2 (4\%)\) in Schicht gefunden VI. Von den 500 größten Neuronen wurden \(268 (54\%)\) in Schicht III, \(142 (28\%)\) in Schicht V und \(87 (17\%)\) in Schicht VI gefunden und nur \(3 (1\%)\) in Schicht IV, die neuroanatomischen Beobachtungen folgt.

Mithilfe der lokalen Neuronendichte können Schicht I und weiße Substanz durch eine geringe Neuronendichte unterschieden werden, wodurch spärliche Regionen des Abschnitts oder dichte Regionen, die die Schichten II und IV enthalten, identifiziert werden, wie in Abb. 2 dargestellt. Die spärliche Region kann weiter gespalten werden Unter Verwendung der Funktion „Hüllenfläche“ haben Neuronen in der weißen Substanz eine große Hüllenfläche, im Gegensatz zu den Neuronen der Schicht I, deren Hülle zwischen der Gewebegrenze und der dichten Schicht II gebunden ist. Durch die Berechnung der Abstände zur Schicht I und zur weißen Substanz werden die kortikale Dicke und Tiefe jedes Neurons abgeleitet, wie in Abb. 4 dargestellt.

Merkmale, die auf der lokalen Dichte und dem konvexen Hüllenradius basieren, werden verwendet, um Gewebemerkmale zu erhalten, ohne Profile zu zeichnen und senkrecht zum Kortex Proben zu nehmen. Links: spärliche Bereiche werden in Schicht I und weiße Substanz unterteilt. Mitte: kortikale Tiefe. Rechts: Kortikalisdicke.

Obwohl die entwickelten neuronalen Merkmalssätze quantitative Deskriptoren der kortikalen Organisation liefern, reichen sie nicht aus, um eine klare Klassifizierung der richtigen kortikalen Schicht zu ermöglichen. Während einige Merkmale in bestimmten Schichten möglicherweise stärker zum Ausdruck kommen als in anderen, ist es nicht einfach zu bestimmen, was sich genau zwischen den Schichten ändert oder welche Auswirkungen und Verbindungen verschiedene Merkmale haben. Dies führte zu der Annahme, dass in den entwickelten Merkmalen Informationen enthalten sind, die analysiert, kombiniert und verwendet werden können, um mithilfe komplexerer und aussagekräftigerer Modelle eine präzise Klassifizierung von Neuronen hinsichtlich ihrer Position innerhalb der kortikalen Schichten zu erstellen. Ein überwachter maschineller Lernansatz wird auf einen Datensatz manuell segmentierter Schichten angewendet, um die Schicht jedes Neurons im histologischen Abschnitt genau vorherzusagen. Somit können Schichtsegmentierungen im gesamten Abschnitt erzielt werden. Merkmalszuordnungen für das Modell werden untersucht, um informative Gewebemerkmale zu identifizieren.

Um den Trainingsdatensatz zu erhalten, aus dem die Methode des maschinellen Lernens lernt, Neuronen nach ihren Schichten zu klassifizieren, wurden Teile der beiden digitalisierten histologischen Abschnitte an drei menschliche Experten für Histologie und Zytoarchitektur übergeben, die manuell Grenzen zwischen den Schichten des Kortex abgrenzten. Die offensichtlichen Inkonsistenzen und gegenseitigen Meinungsverschiedenheiten zwischen den Experten, wie in Abb. 5 zu sehen ist, zeigen das Vorhandensein einer Voreingenommenheit der Experten. Die Experten waren sich über die Grenzen aller Schichten nicht einig, mit Ausnahme der sehr offensichtlichen Grenze zwischen Schicht I und Schicht II. Der manuell beschriftete Datensatz enthielt 12.647 Neuronen im Abschnitt \(10\;\upmu \hbox {m}\) und 9821 Neuronen im Abschnitt \(10\;\upmu \hbox {m}\).

Boosted Decision Trees, eine hochmoderne überwachte Lernmethode für tabellarische Eingabedaten wie die berechneten Neuronenmerkmale41,42, wurden aufgrund ihrer verschiedenen Vorteile für die Vorhersage und Interpretation der kortikalen Laminierung ausgewählt. Entscheidungsbäume spiegeln die menschliche Entscheidungsfindung besser wider als andere Ansätze43, was besonders nützlich ist, wenn menschliche Aktivitäten modelliert werden, beispielsweise die manuelle Abgrenzung kortikaler Schichten, ein Entscheidungsprozess, der auf einer Kombination von Informationen über die Eigenschaften von Neuronen basiert. Wir haben CatBoost44 verwendet, eine Methode, die auf Gradient Boosting über Entscheidungsbäumen basiert und eines der erfolgreichsten Modelle für den Umgang mit Tabellendaten ist. Das Modell wurde für 100 Iterationen mit einer Lernrate von 0,1 und standardmäßigen anderen Parametern trainiert. Die besten Verallgemeinerungen wurden durch die Kombination der manuellen Bezeichnungen aller drei Bewerter in einem Ensemble erzielt. Drei separate Modelle wurden trainiert, eines für jeden Bewerter, und unter Verwendung von Softmax wurden die objektiven Ausgabewahrscheinlichkeiten summiert, und die endgültige Vorhersage wurde unter Verwendung eines Maximums über alle Klassen für jeden Bewerter getroffen. Die Ergebnisse dieses Ansatzes sind rechts in Abb. 6 dargestellt. Neuronenklassen werden vorhergesagt und Neuronen werden genau klassifiziert, und zwar auf eine Weise, die dem laminaren Muster des Kortex folgt.

Ein Detail der kortikalen Schichten, die von Experten manuell abgegrenzt wurden. Erhebliche Meinungsverschiedenheiten bestehen über die Grenzen der Schichten sowie über die Positionierung der Grenze zwischen Kortex und weißer Substanz.

Lernen, den neuronalen Phänotyp mithilfe einer klassischen Pipeline für maschinelles Lernen auf kortikale Schichten abzubilden. Die Neuronendarstellung oder Phänotypisierung basiert auf der automatischen Neuronensegmentierung und der Analyse morphologischer und struktureller Merkmale. Diese Darstellung wird dann als Eingabe für ein maschinelles Lernmodell verwendet, das gelernt hat, die Mehrklassenklassifizierungsaufgabe zu lösen, indem es Neuronen in den sechs Schichten des Kortex klassifiziert. Das Modell lernte die Variationen neuronaler Merkmale und war in der Lage, zu verallgemeinern, d. h. konsistente und sinnvolle Vorhersagen von Schichten über den gesamten histologischen Abschnitt hinweg zu erstellen. Das schwarze Rechteck umrahmt den Teil des Abschnitts, der von drei Experten manuell beschriftet und als Trainingsdaten verwendet wurde.

Experimente mit verschiedenen Merkmalssätzen haben gezeigt, dass einige Merkmalskombinationen zwar eine hohe Genauigkeit bei Trainingsdaten erreichen, dies allein jedoch keine Garantie dafür ist, dass das Modell im gesamten histologischen Abschnitt eine gute Leistung erbringt. Die Einführung von Merkmalen, die auf der Entfernung zu spärlichen oder dichten Regionen basieren, hat die Fähigkeit des Modells, Regionen der Abschnitte entsprechend der laminaren Anordnung des Kortex in Parzellen zu unterteilen, erheblich verbessert.

Ohne die Existenz einer einzigen Grundwahrheit als Referenz wird die Messung der Modellleistung im Kontext der Variabilität zwischen Bewertern betrachtet. Die Trainingsdaten wurden in \(75\%\) Trainings- und \(25\%\) Testteilmengen aufgeteilt und die Vorhersagen des Modells wurden mit den manuellen Bezeichnungen der Experten verglichen. Beim Vergleich der Neuronenschichtvorhersagen betrug die durchschnittliche Übereinstimmung zwischen zwei Experten \(0,755 \pm 0,049\) für \(10\;\upmu \hbox {m}\) und \(0,809 \pm 0,049\) für \(20\;\ upmu \hbox {m}\) histologischer Schnitt. Die durchschnittliche Genauigkeit des Modells betrug im Vergleich zu den drei Experten \(0,872 \pm 0,042\) und \(0,897 \pm 0,047\). Man könnte dies mit der Genauigkeit des Segmentierungsansatzes von Wagstyl auf dem BigBrain in Verbindung bringen, wo die durch Kreuzvalidierung ermittelte durchschnittliche Genauigkeit pro Punkt auf der Testfalte \(0,83 \pm 0,02\) betrug.

In dieser Studie haben wir einen neuartigen Ansatz zur Analyse kortikaler Merkmale vorgeschlagen, um detailliertere und spezifischere wissenschaftliche Untersuchungen zu ermöglichen. Derzeit ist ein Goldstandard eine manuelle Anmerkung durch geschulte Experten. Allerdings sind menschliche Experten oft voreingenommen und die Ergebnisse einer solchen Analyse sind oft inkonsistent. Ein wichtiges Merkmal bei der Abgrenzung kortikaler Schichten und Bereiche ist die neuronale Größe. Unsere Ergebnisse zeigten, dass in analysierten Regionen, die zum homotypischen Isocortex des präfrontalen Cortex gehören, Neuronen in Schicht III im Allgemeinen größer sind als Neuronen in Schicht V. Obwohl allgemein angenommen wird, dass Neuronen in Schicht V größer sind als Neuronen in Schicht III, das gilt nicht für den präfrontalen Kortex. Die größten Pyramidenneuronen der Großhirnrinde befinden sich zwar in Schicht V (Betz-Zellen des motorischen Kortex), allerdings sind Pyramidenneuronen in Schicht V in den meisten kortikalen Bereichen kleiner als Neuronen in Schicht III3. Dieser Befund bestätigt, dass die berechneten Merkmale aussagekräftige Ergebnisse liefern und neuroanatomischen Beobachtungen folgen.

Für ein tieferes Verständnis sowohl des Modells als auch der in der Pipeline verwendeten Merkmale wurde eine Untersuchung der Auswirkungen von Merkmalen auf die Vorhersage der Neuronenklasse sowohl auf globaler (Modell) als auch auf Instanzebene (einzelnes Neuron) durchgeführt. Ein neuerer Ansatz zur Messung von Merkmalszuordnungen in Lernmodellen, das SHAP-Maß45, wurde zur Schätzung von Neuronenmerkmalen verwendet, die am meisten zur Neuronenklassifizierung innerhalb der Schichten beitragen. Einzelheiten zu SHAP-Werten und deren Einfluss auf die Modellausgaben für die Datensätze sowohl \(10\;\upmu \hbox {m}\) als auch \(20\;\upmu \hbox {m}\) sind in Abb. 7 und dargestellt im Detail für jede kortikale Schicht in beiden Abschnitten in der Zusatzinformationsdatei, Abb. S.1 und Abb. S.2.

Bedeutung der wichtigsten 15 Neuronenmerkmale auf Modellebene unter Verwendung der SHAP-Merkmalswichtigkeitsanalyse für \(10\;\upmu \hbox {m}\) (links) und \(20\;\upmu \hbox {m}\) ( rechts) Abschnitte. Bei Features, die Eigenschaften benachbarter Neuronen nutzen, wird die Anzahl der nächsten Nachbarn am Anfang des Feature-Namens angegeben. Ungeachtet der Unterschiede in der Neuronendichte bevorzugten die Modelle in beiden Abschnitten ungefähr eine ähnliche Anzahl von Neuronen in der nächsten Nachbarschaft, die im Durchschnitt bei 500 Neuronen lag. In beiden Abschnitten war die kortikale Tiefe eines Neurons das aussagekräftigste Merkmal für Modelle des maschinellen Lernens. Die Modelle in beiden Abschnitten stützten sich auch auf Merkmale im Zusammenhang mit der Größe (Fläche) benachbarter Neuronen sowie auf Abstände zu Bereichen mit gleichmäßig niedrigerer und höherer Dichte. Individuelle Form- und Textureigenschaften von Neuronen, die die Nachbarschaft der Neuronen nicht berücksichtigen, waren am wenigsten aussagekräftig und boten keinen Vorhersagewert.

Ein wichtiger Aspekt dieses Ansatzes ist die Fähigkeit, Merkmale zu identifizieren, die zur Vorhersage einer einzelnen Instanz der Daten für jedes Neuron beitragen. Abb. 8 zeigt beispielsweise, welche Neuronenmerkmale für ein Neuron der Schicht VI zur Erhöhung des SHAP-Basiswerts und zur Erstellung der Vorhersage beigetragen haben. Die Abbildung zeigt auch die Auswirkungen von Merkmalen, die den Ausgabewert für die Vorhersage desselben Neurons als Neuron der weißen Substanz verringerten.

Der Beitrag verschiedener Merkmale zur Vorhersage der Schicht eines Neurons kann auf Instanzebene für jedes einzelne Neuron analysiert werden. Oben: Neuronenmerkmale eines einzelnen Neurons der Schicht III, die zum Anstieg vom Basis-SHAP-Wert und zur Vorhersage beigetragen haben. Unten: die Bedeutung von Merkmalen, die den Ausgabewert für die Vorhersage desselben Neurons als Schicht-II-Neuron verringern.

Die Funktion der kortikalen Tiefe hatte einen großen Einfluss auf die Ausgabe des Modells. Dies liegt daran, dass es dabei hilft, einfachere Merkmale wie lokale Dichten mit anatomischen Beobachtungen hinsichtlich der Position eines Neurons innerhalb des Kortex zu integrieren. Merkmale, die auf orientierten Messungen basieren, die die Änderung der zytoarchitektonischen Eigenschaften in verschiedene Richtungen messen, waren ebenfalls von erheblicher Bedeutung, da sie in der Lage waren, Neuronen an der Grenze kortikaler Schichten zu identifizieren. Es wurde gezeigt, dass der Aufbau auf Merkmalen niedrigerer Ebene Merkmale mit größerer Unterscheidungskraft und damit größerer Bedeutung hervorbringt. Dies liegt an ihrer Fähigkeit, lokale Variationen in Neuronenmerkmalen zu überwinden und beispielsweise den Mittelwert dieser Merkmale zu ermitteln. Im Gegensatz dazu erhöht die Verwendung von Merkmalen eines Neurons, beispielsweise einer Fläche, die Genauigkeit der Vorhersage nicht, was sich in der geringen Bedeutung dieser Merkmale widerspiegelt. Dies ist wahrscheinlich der Grund, warum verschiedene Methoden zur lokalen Musteranalyse und klassische Methoden zur Extraktion von Bildmerkmalen bei der Segmentierung kortikaler Schichten nicht sehr erfolgreich sind. Es wurde ein Bereich des Variabilitätsradius ermittelt, der eine Schätzung der Größe der Neuronenumgebung liefert, in der Messungen durchgeführt werden sollten, sodass dieser einerseits groß genug ist, um lokale Variationen in der Neuronenverteilung zu überwinden und andererseits seine Position innerhalb der kortikalen Struktur zu erkennen die andere ist schmal genug, damit die Messungen nicht dadurch verfälscht werden, dass sie zu weit in benachbarte Schichten hineinragt.

Um die Auswirkungen der Abschnittsdicke zu untersuchen, haben wir die Anzahl der nächsten Nachbarn in mehreren festen Bereichen analysiert und festgestellt, dass im Abschnitt \(10\;\upmu \hbox {m}\) \(55,6\%\pm 0,7\%\ ) werden weniger Neuronen gefunden als in den \(20\;\upmu \hbox {m}\)-Abschnitten. Andererseits kann man die Anzahl der nächsten Nachbarn in den von den Modellen ausgewählten Merkmalen mit der höchsten Aussagekraft beobachten. Betrachtet man jedoch die Top-20-Features in Modellen, die in jedem Abschnitt trainiert wurden, kann im Abschnitt \(10\;\upmu \hbox {m}\) ein Anstieg der durchschnittlichen Anzahl von Nachbarn in Features festgestellt werden (630 im Vergleich zu 580). , der Unterschied ist statistisch nicht signifikant. Beide Ergebnisse stützen die Argumentation im Abschnitt „Materialien und Methoden“ über den hypothetischen Bereich, in dem die Werte für die nächsten Nachbarn berechnet werden sollten, und dass man die Anzahl der Nachbarn den vordefinierten Bereichen vorziehen sollte.

Bei Experimenten mit verschiedenen Modellen wurde festgestellt, dass Teile der Schichten III und VI manchmal in Unterschichten unterteilt sind, die der Richtung der laminaren Struktur folgen, obwohl sie sehr kurz sind und sich nicht über einen wesentlichen Teil der Schicht erstrecken. Weitere Untersuchungen mit der entwickelten Methodik könnten detailliertere Einblicke in die Unterschichtung der kortikalen Struktur liefern.

Die vorgeschlagene Methode hat gezeigt, dass sie mit einem sehr begrenzten Trainingsdatensatz abschnittsübergreifend verallgemeinern kann, was vielversprechende Ergebnisse zeigt und darauf hindeutet, dass sie auf andere Gehirne übertragbar sein könnte. Aufgrund der Komplexität des Gehirns sind jedoch weitere Untersuchungen unter Verwendung größerer Mengen histologischer Daten mit größerer Variabilität erforderlich, um mit Sicherheit zu zeigen, inwieweit diese Ergebnisse auf verschiedene Gehirne verallgemeinert werden können. Dies wird auch weitere Tests des Ansatzes in verschiedenen Gehirnbereichen, Gewebefärbungen und Schnittebenen ermöglichen. Beim schrägen Schneiden, bei dem der Winkel der Schnittebene beispielsweise die Form der Neuronen beeinflussen kann, erscheinen die Pyramidenneuronen nicht als Dreiecke, wenn das Schneiden senkrecht zu den neuronalen Spalten erfolgte. Diese Einschränkung kann durch die Verwendung der 3D-Darstellung von Neuronen überwunden werden.

Wir haben eine neue Methodik zur Modellierung der Zytoarchitektur des Gehirns vorgeschlagen, die auf der zellulären Ebene aufbaut und Rückschlüsse auf größere Strukturen zieht, indem sie datengesteuerte Gewebedeskriptoren auf Neuronenebene basierend auf Merkmalen einzelner Neuronen oder neuronaler Phänotypisierung erstellt. Dies steht im Gegensatz zu den heutigen anderen Ansätzen der Neurowissenschaften, die meist auf Pixeldaten basieren. Der Übergang von der pixelweisen zur neuronenzentrierten Analyse, bei der die Struktur des Gehirns durch die Linse der Beziehung zwischen den Neuronen untersucht wird, anstatt sich ausschließlich auf sich ändernde Pixelwerte im histologischen Bild zu verlassen, vermittelt ein neues Paradigma im Fachgebiet und ermöglicht die Einführung von Methoden aus anderen Disziplinen. Wir beziehen uns hier auf den Wandel in der Art und Weise, wie histologische Daten gesammelt, untersucht und verstanden werden, und auf die Einführung maschineller Lernmethoden, die mit tabellarischen Daten arbeiten, für die zunächst die Neuronendarstellungen erstellt werden mussten. Indem wir uns stärker auf datengesteuerte Methoden stützen, verringert unser Ansatz den Bedarf an vom Menschen abhängigen Eingriffen und Interpretationen, was eine objektivere und reproduzierbarere Quantifizierung in großem Maßstab ermöglicht. Diese Einstellungen ermöglichen neue Einblicke in die Organisation der kortikalen Mikrostruktur und subtile Unterschiede in der Neuropathologie. Indem unsere Arbeit die Entstehung neuer, besserer Beschreibungen und des Verständnisses der Gehirnstruktur in verschiedenen Bereichen und Entwicklungsstadien ermöglicht, erleichtert sie den Übergang zu vollautomatischen, objektiven Untersuchungen mit hohem Durchsatz und ermöglicht die Verarbeitung immer größerer Mengen verfügbarer histologischer Daten heute weltweit in Forschungszentren.

Das Szenario der Verwendung der vorgeschlagenen Methodik wurde an einer bestimmten Gehirnregion demonstriert und anhand eines von drei Experten manuell beschrifteten Datensatzes validiert. Unsere Methodik lässt sich leicht um neuartige neuronale Merkmale wie unterschiedliche Färbungen oder Rezeptorkarten erweitern und ermöglicht die Verwendung anderer auf maschinellem Lernen basierender Berechnungsmethoden wie graphische neuronale Netze, die zukünftige Forschungsinitiativen im Bereich der Computational Neuroscience anregen werden.

Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Brodmann, K. Vergleichende Lokalisationslehre der Grosshirnrinde in ihren Prinzipien dargestellt auf Grund des Zellenbaues (Barth, 1909).

Google Scholar

Judaš, M., Cepanec, M. & Sedmak, G. Brodmanns Karte der menschlichen Großhirnrinde – oder Brodmanns Karten?. Übers. Neurosci. 3, 67–74 (2012).

Artikel Google Scholar

von Economo, C. F. & Koskinas, G. N. Die cytoarchitektonik der hirnrinde des erwachsenen menschen (Springer, 1925).

Google Scholar

Kaas, JH Die funktionelle Organisation des somatosensorischen Kortex bei Primaten. Ann. Anat. Anatomischer Anzeiger 175, 509–518 (1993).

Artikel CAS PubMed Google Scholar

Lutnick, B. et al. Eine integrierte iterative Annotationstechnik zur Vereinfachung des neuronalen Netzwerktrainings in der medizinischen Bildanalyse. Nat. Mach. Intel. 1, 112–119 (2019).

Artikel PubMed PubMed Central Google Scholar

Hudspeth, A., Ruark, J. & Kelly, J. Zytoarchitektonische Kartierung durch Mikrodensitometrie. Proz. Natl. Acad. Wissenschaft. 73, 2928–2931 (1976).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Hopf, A. Registrierung der Myeloarchitektur des menschlichen Frontallappens mit einer Extinktionsmethode. J. Hirnforsch. 10, 259 (1968).

CAS PubMed Google Scholar

Schleicher, A., Amunts, K., Geyer, S., Morosan, P. & Zilles, K. Beobachterunabhängige Methode zur mikrostrukturellen Parzellierung der Großhirnrinde: Ein quantitativer Ansatz zur Zytoarchitektonik. Neuroimage 9, 165–177. https://doi.org/10.1006/nimg.1998.0385 (1999).

Artikel CAS PubMed Google Scholar

Zilles, K., Schleicher, A., Palomero-Gallagher, N. & Amunts, K. Quantitative Analyse der Zyto- und Rezeptorarchitektur des menschlichen Gehirns. In Brain Mapping: The Methods (Zweite Auflage) 573–602 (Elsevier, 2002).

Schleicher, A., Zilles, K. & Kretschmann, H. Automatische registrierung und auswertung eines grauwertindex in histologischen schnitten. Verh Anat Ges 72, 413–415 (1978).

Google Scholar

Amunts, K. & Zilles, K. Architektonische Kartierung des menschlichen Gehirns jenseits von Brodmann. Neuron 88, 1086–1107 (2015).

Artikel CAS PubMed Google Scholar

Meyer, HS et al. Anzahl und laminare Verteilung von Neuronen in einer thalamokortikalen Projektionssäule des vibrissalen Kortex der Ratte. Großhirn. Cortex 20, 2277–2286 (2010).

Artikel PubMed PubMed Central Google Scholar

Amunts, K. et al. Bigbrain: Ein ultrahochauflösendes 3D-Modell des menschlichen Gehirns. Science 340, 1472–1475 (2013).

Artikel ADS CAS PubMed Google Scholar

Wagstyl, K. et al. Kartierung der kortikalen laminaren Struktur im 3D-Großhirn. Großhirn. Cortex 28, 2551–2562 (2018).

Artikel PubMed PubMed Central Google Scholar

Quabs, J. et al. Zytoarchitektur, Wahrscheinlichkeitskarten und Segregation der menschlichen Insel. Neuroimage 260, 119453 (2022).

Artikel PubMed Google Scholar

Wagstyl, K. et al. Die automatisierte Segmentierung kortikaler Schichten im Großhirn zeigt unterschiedliche kortikale und laminare Dickegradienten im sensorischen und motorischen Kortex. PLoS Biol. 18, e3000678 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Kiwitz, K., Schiffer, C., Spitzer, H., Dickscheid, T. & Amunts, K. Deep-Learning-Netzwerke spiegeln zytoarchitektonische Merkmale wider, die bei der Hirnkartierung verwendet werden. Wissenschaft. Rep. 10, 1–15 (2020).

Artikel Google Scholar

Nosova, S., Snopova, L. & Turlapov, V. Automatische Erkennung von Neuronen, Astrozyten und Schichten für den Nissl-gefärbten Mauskortex. J. WSCG 25, 143–150 (2017).

Google Scholar

Li, D. et al. Unterscheidung der hierarchischen Struktur kortikaler Schichten in 2-Photonen-Mikroskopiedaten durch kombiniertes unüberwachtes und überwachtes maschinelles Lernen. Wissenschaft. Rep. 9, 7424 (2019).

Artikel ADS PubMed PubMed Central Google Scholar

Tizhoosh, HR et al. Suche nach Bildern zur Konsensfindung: Kann KI Beobachtervariabilität in der Pathologie beseitigen? Bin. J. Pathol. 191, 1702–1708 (2021).

Artikel PubMed Google Scholar

van Albada, SJ et al. Anatomische Informationen in neuronale Netzwerkmodelle einbringen. arXiv-Vorabdruck arXiv:2007.00031 (2020).

Danuser, G. Computer Vision in der Zellbiologie. Zelle 147, 973–978 (2011).

Artikel CAS PubMed Google Scholar

Grys, BT et al. Ansätze für maschinelles Lernen und Computer Vision zur phänotypischen Profilierung. J. Cell Biol. 216, 65–71 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Judaš, M. et al. Die Zagreber Sammlung menschlicher Gehirne: Eine einzigartige, vielseitige, aber wenig genutzte Ressource für die neurowissenschaftliche Gemeinschaft. Ann. NY Acad. Wissenschaft. 1225, E101–E130 (2011).

Artikel Google Scholar

Hsu, S.-M., Raine, L. & Fanger, H. Die Verwendung von Antiavidin-Antikörpern und Avidin-Biotin-Peroxidase-Komplexen in der Immunoperoxidase-Technik. Bin. J. Clin. Pathol. 75, 816–821 (1981).

Artikel CAS PubMed Google Scholar

Otsu, N. Eine Schwellenwertauswahlmethode aus Graustufenhistogrammen. IEEE Trans. Syst. Mann Cybern. 9, 62–66 (1979).

Artikel Google Scholar

Štajduhar, A., Džaja, D., Judaš, M. & Lončarić, S. Automatische Erkennung von Neuronen in neungefärbten histologischen Bildern des menschlichen Gehirns. Physica A 519, 237–246 (2019).

Artikel ADS MathSciNet MATH Google Scholar

Štajduhar, A., Lepage, C., Judaš, M., Lončarić, S. & Evans, AC 3D-Lokalisierung von Neuronen in histologischen Hellfeldbildern. In ELMAR (ELMAR), 2018 60. Internationales Symposium 75–78 (IEEE, 2018).

Upschulte, E., Harmeling, S., Amunts, K. & Dickscheid, T. Konturvorschlagsnetzwerke für die Segmentierung biomedizinischer Instanzen. Med. Bild Anal. 77, 102371 (2022).

Artikel PubMed Google Scholar

Rueden, CT et al. Imagej 2: Imagej für die nächste Generation wissenschaftlicher Bilddaten. BMC Bioinform. 18, 529 (2017).

Artikel Google Scholar

ImageJ-Analysemenü. https://imagej.nih.gov/ij/docs/menus/analyze.html. Zugriff: 30.09.2022.

Rodriguez, A. & Laio, A. Clustering durch schnelles Suchen und Finden von Dichtepeaks. Science 344, 1492–1496 (2014).

Artikel ADS CAS PubMed Google Scholar

Ankerst, M., Breunig, MM, Kriegel, H.-P. & Sander, J. Optics: Ordnungspunkte zur Identifizierung der Clusterstruktur. Im ACM Sigmod Record Vol. 28/2 49–60 (ACM, 1999).

Campello, RJ, Moulavi, D., Zimek, A. & Sander, J. Hierarchische Dichteschätzungen für Datenclusterung, Visualisierung und Ausreißererkennung. ACM Trans. Wissen. Entdeckung. Daten (TKDD) 10, 5 (2015).

Google Scholar

Bentley, JL Mehrdimensionale binäre Suchbäume für die assoziative Suche. Komm. ACM 18, 509–517 (1975).

Artikel MATH Google Scholar

Maneewongvatana, S. & Mount, DM Es ist in Ordnung, dünn zu sein, wenn deine Freunde fett sind. Im Center for Geometric Computing 4. Jahresworkshop zu Computational Geometry Vol. 2 1–8 (1999).

Magurran, AE Messung der biologischen Vielfalt (Wiley, 2013).

Google Scholar

Nagendra, H. Gegensätzliche Trends als Reaktion auf die Shannon- und Simpson-Indizes der Landschaftsvielfalt. Appl. Geogr. 22, 175–186 (2002).

Artikel Google Scholar

Shannon, CE Eine mathematische Theorie der Kommunikation. Klingelsystem. Technik. J. 27, 379–423 (1948).

Artikel MathSciNet MATH Google Scholar

Simpson, EH Messung der Vielfalt. Natur 163, 688 (1949).

Artikel ADS MATH Google Scholar

Bramer, M. Prinzipien des Data Mining Vol. 180 (Springer, 2007).

MATH Google Scholar

Liu, S., Wang, X., Liu, M. & Zhu, J. Auf dem Weg zu einer besseren Analyse maschineller Lernmodelle: Eine visuelle Analyseperspektive. Visuelle Informatik 1, 48–56 (2017).

Artikel Google Scholar

James, G., Witten, D., Hastie, T. & Tibshirani, R. An Introduction to Statistical Learning Vol. 112 (Springer, 2013).

Buchen Sie MATH Google Scholar

Dorogush, AV, Ershov, V. & Gulin, A. Catboost: Gradient Boosting mit Unterstützung kategorialer Funktionen. arXiv-Vorabdruck arXiv:1810.11363 (2018).

Lundberg, SM & Lee, S.-I. Ein einheitlicher Ansatz zur Interpretation von Modellvorhersagen. In Advances in Neural Information Processing Systems Vol. 30 (Hrsg. Guyon, I. et al.) 4765–4774 (Curran Associates, Inc., 2017).

Google Scholar

Referenzen herunterladen

Diese Veröffentlichung wurde von der Europäischen Union durch den Europäischen Fonds für regionale Entwicklung, das Operationelle Programm „Wettbewerbsfähigkeit“ und das Operationelle Programm „Kohäsion“, Zuschussvereinbarungen Nr. KK.01.1.1.01.0007, CoRE – Neuro und KK.01.1.1.01.0009, „DATACROSS“ unterstützt "; und der Canada First Research Excellence Fund, der der McGill University für die Initiative „Gesunde Gehirne für ein gesundes Leben“ verliehen wurde. Die Autoren danken Dora Sedmak vom Kroatischen Institut für Hirnforschung (CIBR) der Medizinischen Fakultät der Universität Zagreb und Jennifer Novek vom Montreal Neurological Institute (MNI) der McGill University für ihren Einsatz bei der Neuronenkennzeichnung und hilfreichen Diskussionen . Besonderer Dank geht an Claude Lepage vom MNI der McGill University für die gründliche Lektüre des Artikels und das konstruktive Feedback. Die Autoren widmen diesen Aufsatz dem Andenken an Tomislav Lipić.

Tomislav Lipić ist verstorben.

Fakultät für öffentliche Gesundheit „Andrija Štampar“, Medizinische Fakultät, Universität Zagreb, 10000, Zagreb, Kroatien

Andrija Štajduhar

Kroatisches Institut für Hirnforschung, Medizinische Fakultät, Universität Zagreb, 10000, Zagreb, Kroatien

Andrija Štajduhar, Miloš Judaš und Goran Sedmak

Labor für maschinelles Lernen und Wissensrepräsentation, Ruder-Bošković-Institut, 10000, Zagreb, Kroatien

Tomislav Lipić

Fakultät für Elektrotechnik und Informatik, Universität Zagreb, 10000, Zagreb, Kroatien

Sven Lončarić

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

ALS. und TL konzipierte die Arbeit und führte Experimente durch. SL und MJ initiierten und überwachten die Forschung. MJ und GS lieferten Daten und konzipierten Experimente. Alle Autoren analysierten und interpretierten gemeinsam die Ergebnisse. A.Š., TL und GS haben das Manuskript erstellt. Alle Autoren haben die endgültige Fassung des Manuskripts überarbeitet und verifiziert.

Korrespondenz mit Andrija Štajduhar.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Štajduhar, A., Lipić, T., Lončarić, S. et al. Interpretierbarer maschineller Lernansatz für die neuronenzentrierte Analyse der menschlichen kortikalen Zytoarchitektur. Sci Rep 13, 5567 (2023). https://doi.org/10.1038/s41598-023-32154-x

Zitat herunterladen

Eingegangen: 11. Oktober 2022

Angenommen: 23. März 2023

Veröffentlicht: 05. April 2023

DOI: https://doi.org/10.1038/s41598-023-32154-x

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.