Images représentatives d’astrocytes détectées et classées en morphologie normale (à gauche) ou hypertrophique (à droite) à l’aide de notre pipeline de traitement d’images. Le contour de la cellule est représenté en jaune et le contour du soma en rouge. GFAP est indiqué en rouge et DAPI en bleu. Barre d’échelle 10μm.
Graphique montrant l’importance de chaque caractéristique dans la décision de classification du modèle d’apprentissage automatique. Pour chaque caractéristique (par exemple, la zone soma), ce graphique montre comment la valeur de cette caractéristique (point coloré pour chaque cellule) influence la décision de classer la cellule comme morphologie normale ou hypertrophique.
Les valeurs de Shapley (SHAP) indiquées sur le graphique représentent les effets additifs des différentes caractéristiques sur la décision de classification. Chaque point représente la valeur de la caractéristique d’une cellule (couleur, le rouge indiquant une valeur supérieure à la moyenne) et son effet sur la décision, où des valeurs SHAP plus élevées poussent la décision vers une morphologie hypertrophique.
Voici des images typiques de cellules détectées à l’aide de notre pipeline, séparées par leur classification. Nous pouvons observer que le modèle d’apprentissage automatique classe les cellules avec des morphologies très distinctes en deux classes.
Ce modèle d’apprentissage automatique est explicable et prend des décisions qui sont conformes à la littérature. Par exemple, les cellules classées comme hypertrophiques ont une taille cellulaire et un soma plus grands, une ramification plus élevée et des processus plus épais que les cellules classées comme morphologie normale.