组织工程肝脏研究的相关问题

1组织工程肝脏和生物人工肝的关系? 目前的组织工程肝脏和生物人工肝都是基于肝细胞的治疗方式,利用肝细胞的功能部分代偿肝脏功能,因此两者在技术上有很多共通之处.     

介绍一种细胞凋亡TUNEL检测与Ki-67 DAPI三色荧光染色操作流程

<正>肿瘤生物治疗基础研究中,对不同小分子靶向治疗药物进行疗效评估时,除可以测量肿瘤大小外,还需利用TUNEL技术检测肿瘤细胞凋亡程度及行免疫荧光染色检测Ki-67蛋白肿瘤细胞增殖程度。凋亡细胞增多,增殖的肿瘤细胞减少,可以初步推测肿瘤治疗有一定疗效。本文首次采用细胞     

可信病理人工智能:从理论到实践

人工智能正在融入病理学研究的各个领域,但在临床实践中却遇到了诸多挑战,包括因医疗数据隐私保护而形成“数据孤岛”,不利于人工智能模型的训练;现有人工智能模型缺乏可解释性,导致使用者无法理解而难以形成人机互动;人工智能模型对多模态数据利用不足,致使其预测效能难以进一步提升等。为解决上述难题,我们建议在现有病理人工智能研究中引入可信人工智能技术:(1)数据安全共享,在坚持数据保护的基础上打破数据孤岛,使用联邦学习的方法、仅调用数据训练的结果而不上传数据本身,在不影响数据安全的情况下大大增加可用于训练的数据量;(2)赋予人工智能可解释性,使用图神经网络技术模拟病理医生学习病理诊断的过程,使得模型本身具有可解释性;(3)多模态信息融合,使用知识图谱技术对更为多样和全面的数据来源进行整合并深入挖掘分析,获得更准确的模型。相信通过此三方面的工作,可信病理人工智能技术可使病理人工智能达到可控可靠和明确责任,从而促进病理人工智能的发展和临床应用。     

介绍一种改良的Von Kossa钙盐染色法

在牙齿及骨骼外出现的钙沉积均为病理性钙盐沉积。草酸钙结晶性肾损伤的发病机制及其治疗靶点的基础研究中,实验大鼠肾组织内沉积的草酸钙结晶在HE染色中不易观察,借助Von Kossa钙盐染色法对实验动物行钙盐特殊染色,以便半定量统计各肾脏组织内草酸钙结晶的量。Von Kossa钙盐染色法是一种金属置换法,硝酸银溶液作用于含有不溶性钙盐的切片时,钙被银置换,银盐在光的作用下被还原为黑色金属银,钙盐沉积处染色为黑色。Von Kossa钙盐染色法中最关键的硝酸银溶液染色步骤需要阳光照射,传统方法是将其置于阳光下或60 W灯泡前,放置1 h或更长时间,整个染色步骤耗时长且不容易控制。     

病理实习教学病案讨论环节中课堂互动反馈系统的应用

2011年,四川大学华西临床医学院病理教研室将SunVote课堂互动反馈系统试用于实习教学病案讨论环节中,我们的调查结果显示：相较于传统病案讨论教学方式,师生们更愿意使用课堂互动反馈系统进行病案讨论教学.它让每个学生更有效地参与到病案讨论学习中,准确并及时地向老师反馈全体学生病理学知识掌握情况,以便改进授课策略.这种教学工具增加了学生和教师之间的互动,改善和提高了病案讨论环节的教学效果.     

去分化脂肪肉瘤潜在核心基因的生物信息学预测及分析

目的探讨去分化脂肪肉瘤的潜在核心基因在其恶性生物学行为中的作用。方法获取基因表达数据库(gene expression omnibus,GEO)数据库中GSE21122和GSE52390的芯片数据,通过GEO2R筛选差异表达基因,对差异表达基因进行GO功能、KEGG通路富集分析和蛋白互作分析,并用Cytoscape筛选潜在核心基因。结果筛选出68个差异表达基因(矫正后P<0.05,|LogFC|≥2),10个基因表达上调,58个基因表达下调;GO功能富集分析表明,差异表达基因主要参与的生物过程包括代谢和能量通路;KEGG通路富集分析表明,差异表达基因主要参与脂肪细胞因子信号通路、AMPK信号通路、PPAR信号通路和调控脂肪分解信号通路;蛋白互作分析表明,筛选的10个潜在核心基因为LEP、ADIPOQ、SCD、PLIN1、LPL、CAV1、PNPLA2、LIPE、CEBPA和CIDEA。结论潜在核心基因表达下调在去分化脂肪肉瘤的恶性生物学行为中发挥重要作用,为分析去分化脂肪肉瘤的分子机制和治疗靶点奠定基础。     

基于无监督学习的数字病理切片自动分割方法

  目的  使用无监督的方式进行图像分割,作为人工标记的一种替代。  方法  选取了共100张HE染色和巴氏染色切片的全片数字化图像（whole slide image, WSI）数据作为研究和测试的对象,其中乳腺切片70张,肺切片20张,甲状腺切片10张。为了保证数据的多样性,乳腺的切片包含了正常组织、炎症、肿瘤,肺切片取材主要为下叶新生物（包含了炎症和肿瘤）,甲状腺为细针穿刺的细胞（均为良性）。每张图像的最大总倍率（原始倍率）均为400倍,文件格式为ndpi。对每张WSI进行人工的标注,每张WSI的标注区域都大于10个视野,标注后的信息将用于有效性的验证。使用基于超像素与全卷积神经网络的算法构建无监督图像分割技术,对没有标记的WSI的任意感兴趣区域（regions of interest, ROI）进行图像分割。与区域邻接图合并的方法进行比较,以欠分割错误差率、边缘召回率和平均交并结果比判定两种方法的分割效果,并比较两种方法的效率。在执行效率的比较中,测试过程包含了超像素的预处理的时间,去掉了加载深度学习引擎的时间。  结果  对WSI任意ROI区域按纹理和颜色对图像实现了无监督的自动分割,乳腺切片、肺切片和甲状腺切片测试的结果差异小,多次测试的结果稳定,但该方法在对炎症和肿瘤的区分中表现一般。其欠分割错误差率、边缘召回率和平均交并结果分别为19.10%、82.06%和45.06%。区域邻接图合并的方法的欠分割错误差率、边缘召回率和平均交并的结果分别为21.52%、78.39%和44.81%。在GPU模式下整个过程平均耗时为0.27 s,在CPU模式下平均耗时为1.30 s,由于区域邻接图合并的方法没有实现GPU模式,在CPU模式下平均耗时为10.5 s。  结论  本方法通过简单的人机交互操作得到理想的像素级标注结果,可以有效降低数字病理切片数据标注的成本,比区域邻接图合并的方法在处理图像纹理的方面表现得更好,处理速度更快。