Background— Stent thrombosis is a lethal complication of endovascular intervention. Concern has been raised about the inherent risk associated with specific stent designs and drug-eluting coatings, yet clinical and animal support is equivocal. Methods and Results— We examined whether drug-eluting coatings are inherently thrombogenic and if the response to these materials was determined to a greater degree by stent design and deployment with custom-built stents. Drug/polymer coatings uniformly reduce rather than increase thrombogenicity relative to matched bare metal counterparts (0.65-fold; P =0.011). Thick-strutted (162 μm) stents were 1.5-fold more thrombogenic than otherwise identical thin-strutted (81 μm) devices in ex vivo flow loops ( P <0.001), commensurate with 1.6-fold greater thrombus coverage 3 days after implantation in porcine coronary arteries ( P =0.004). When bare metal stents were deployed in malapposed or overlapping configurations, thrombogenicity increased compared with apposed, length-matched controls (1.58-fold, P =0.001; and 2.32-fold, P <0.001). The thrombogenicity of polymer-coated stents with thin struts was lowest in all configurations and remained insensitive to incomplete deployment. Computational modeling–based predictions of stent-induced flow derangements correlated with spatial distribution of formed clots. Conclusions— Contrary to popular perception, drug/polymer coatings do not inherently increase acute stent clotting; they reduce thrombosis. However, strut dimensions and positioning relative to the vessel wall are critical factors in modulating stent thrombogenicity. Optimal stent geometries and surfaces, as demonstrated with thin stent struts, help reduce the potential for thrombosis despite complex stent configurations and variability in deployment.

Abstract Differential diagnosis of dementia remains a challenge in neurology due to symptom overlap across etiologies, yet it is crucial for formulating early, personalized management strategies. Here, we present an artificial intelligence (AI) model that harnesses a broad array of data, including demographics, individual and family medical history, medication use, neuropsychological assessments, functional evaluations and multimodal neuroimaging, to identify the etiologies contributing to dementia in individuals. The study, drawing on 51,269 participants across 9 independent, geographically diverse datasets, facilitated the identification of 10 distinct dementia etiologies. It aligns diagnoses with similar management strategies, ensuring robust predictions even with incomplete data. Our model achieved a microaveraged area under the receiver operating characteristic curve (AUROC) of 0.94 in classifying individuals with normal cognition, mild cognitive impairment and dementia. Also, the microaveraged AUROC was 0.96 in differentiating the dementia etiologies. Our model demonstrated proficiency in addressing mixed dementia cases, with a mean AUROC of 0.78 for two co-occurring pathologies. In a randomly selected subset of 100 cases, the AUROC of neurologist assessments augmented by our AI model exceeded neurologist-only evaluations by 26.25%. Furthermore, our model predictions aligned with biomarker evidence and its associations with different proteinopathies were substantiated through postmortem findings. Our framework has the potential to be integrated as a screening tool for dementia in clinical settings and drug trials. Further prospective studies are needed to confirm its ability to improve patient care.

Abstract Epithelial wound healing requires the coordination of cells to migrate as a unit over the basement membrane after injury. To understand the process of this coordinated movement, it is critical to study the dynamics of cell-cell communication. We developed a method to characterize the injury-induced sustained Ca 2+ mobilizations that travel between cells for periods of time up to several hours. These events of communication are concentrated along the wound edge and are reduced in cells further away from the wound. Our goal was to delineate the role and contribution of these sustained mobilizations and using MATLAB analyses, we determined the probability of cell-cell communication events in in vitro models and ex vivo organ culture models. We demonstrated that the injury response was complex and represented the activation of a number of receptors. In addition, we found that pannexin channels mediated the cell-cell communication and motility. Furthermore, the sustained Ca 2+ mobilizations are associated with changes in cell morphology and motility during wound healing. The results demonstrate that both purinoreceptors and pannexins regulate the sustained Ca 2+ mobilization necessary for cell-cell communication in wound healing.

Development of deep learning models to evaluate structural brain changes caused by cognitive impairment in MRI scans holds significant translational value. The efficacy of these models often encounters challenges due to variabilities arising from different data generation protocols, imaging equipment, radiological artifacts, and shifts in demographic distributions. Domain generalization (DG) techniques show promise in addressing these challenges by enabling the model to learn from one or more source domains and apply this knowledge to new, unseen target domains. Here we present a framework that utilizes model interpretability to enhance the generalizability of classification models across various cohorts. We used MRI scans and clinical diagnoses from four independent cohorts: Alzheimer's Disease Neuroimaging Initiative (ADNI, n = 1821), the Framingham Heart Study (FHS, n = 304), the Australian Imaging Biomarkers & Lifestyle Study of Ageing (AIBL, n = 661), and the National Alzheimer's Coordinating Center (NACC, n = 4647). With this data, we trained a deep neural network to focus on areas of the brain identified as relevant to the disease for model training. Our approach involved training a classifier to differentiate between structural neurodegeneration in individuals with normal cognition (NC), mild cognitive impairment (MCI), and dementia due to Alzheimer's disease (AD). This was achieved by aligning class-wise attention with a unified visual saliency prior, which was computed offline for each class using all the training data. Our method not only competes with state-of-the-art approaches but also shows improved correlation with postmortem histology. This alignment with the gold standard evidence is a significant step towards validating the effectiveness of DG frameworks, paving the way for their broader application in the field.

Abstract INTRODUCTION Identification of individuals with mild cognitive impairment (MCI) who are at risk of developing Alzheimer's disease (AD) is crucial for early intervention and selection of clinical trials. METHODS We applied natural language processing techniques along with machine learning methods to develop a method for automated prediction of progression to AD within 6 years using speech. The study design was evaluated on the neuropsychological test interviews of n = 166 participants from the Framingham Heart Study, comprising 90 progressive MCI and 76 stable MCI cases. RESULTS Our best models, which used features generated from speech data, as well as age, sex, and education level, achieved an accuracy of 78.5% and a sensitivity of 81.1% to predict MCI‐to‐AD progression within 6 years. DISCUSSION The proposed method offers a fully automated procedure, providing an opportunity to develop an inexpensive, broadly accessible, and easy‐to‐administer screening tool for MCI‐to‐AD progression prediction, facilitating development of remote assessment. Highlights Voice recordings from neuropsychological exams coupled with basic demographics can lead to strong predictive models of progression to dementia from mild cognitive impairment. The study leveraged AI methods for speech recognition and processed the resulting text using language models. The developed AI‐powered pipeline can lead to fully automated assessment that could enable remote and cost‐effective screening and prognosis for Alzehimer's disease.

Kidney biopsies are essential for diagnosing kidney disorders in both native and transplanted kidneys1,2. However, the increasing incidence of biopsies yielding insufficient tissue for diagnosis presents a dual challenge: it strains the healthcare system and endangers patients, who may require re-biopsy or face the risk of inaccurate diagnoses due to unsampled disease3. Traditionally, real-time assessment of biopsy adequacy has been performed by pathologists using microscopes4. Unfortunately, due to cost and staffing constraints, many institutions cannot have a pathologist present at the time of biopsy.

Alzheimers disease (AD) is the primary cause of dementia worldwide (1), with an increasing morbidity burden that may outstrip diagnosis and management capacity as the population ages. Current methods integrate patient history, neuropsychological testing and magnetic resonance imaging (MRI) to identify likely cases, yet effective practices remain variably-applied and lacking in sensitivity and specificity (2). Here we report an explainable deep learning strategy that delineates unique AD signatures from multimodal inputs of MRI, age, gender, and mini-mental state examination (MMSE) score. Our framework linked a fully convolutional network (FCN) to a multilayer perceptron (MLP) to construct high resolution maps of disease probability from local brain structure. This enabled precise, intuitive visualization of individual AD risk en route to accurate diagnosis. The model was trained using clinically-diagnosed AD and cognitively normal (NC) subjects from the Alzheimers Disease Neuroimaging Initiative (ADNI) dataset (n=417) (3), and validated on three independent cohorts: the Australian Imaging, Biomarker & Lifestyle Flagship Study of Ageing (AIBL, n=382) (4), the Framingham Heart Study (FHS, n=102) (5), and the National Alzheimers Coordinating Center (NACC, n=582) (6). Model performance was consistent across datasets, with mean accuracy values of 0.966, 0.948, 0.815, and 0.916 for ADNI, AIBL, FHS and NACC, respectively. Moreover, our approach exceeded the diagnostic performance of a multi-institutional team of practicing neurologists (n=11), and high-risk cerebral regions predicted by the model closely tracked postmortem histopathological findings. This framework provides a clinically-adaptable strategy for using routinely available imaging techniques such as MRI to generate nuanced neuroimaging signatures for AD diagnosis, as well as a generalizable approach for linking deep learning to pathophysiological processes in human disease.

Abstract Background Transmission electron microscopy (TEM) images can visualize kidney glomerular filtration barrier ultrastructure, including the glomerular basement membrane (GBM) and podocyte foot processes (PFP). Podocytopathy is associated with glomerular filtration barrier morphological changes observed experimentally and clinically by measuring GBM or PFP width. However, these measurements are currently performed manually. This limits research on podocytopathy disease mechanisms and therapeutics due to labor intensiveness and inter-operator variability. Methods We developed a deep learning-based digital pathology computational method to measure GBM and PFP width in TEM images from the kidneys of Integrin-Linked Kinase (ILK) podocyte-specific conditional knockout (cKO) mouse, an animal model of podocytopathy, compared to wild-type (WT) control mouse. We obtained TEM images from WT and ILK cKO littermate mice at 4 weeks old. Our automated method was composed of two stages: a U-Net model for GBM segmentation, followed by an image processing algorithm for GBM and PFP width measurement. We evaluated its performance with a 4-fold cross-validation study on WT and ILK cKO mouse kidney pairs. Results Mean (95% confidence interval) GBM segmentation accuracy, calculated as Jaccard index, was 0.73 (0.70-0.76) for WT and 0.85 (0.83-0.87) for ILK cKO TEM images. Automated and manual GBM width measurements were similar for both WT (p=0.49) and ILK cKO (p=0.06) specimens. While automated and manual PFP width measurements were similar for WT (p=0.89), they differed for ILK cKO (p<0.05) specimens. WT and ILK cKO specimens were morphologically distinguishable by manual GBM (p<0.05) and PFP (p<0.05) width measurements. This phenotypic difference was reflected in the automated GBM (p<0.05) more than PFP (p=0.06) widths. Conclusions These results suggest that certain automated measurements enabled via deep learning-based digital pathology tools could distinguish healthy kidneys from those with podocytopathy. Our proposed method provides high-throughput, objective morphological analysis and could facilitate podocytopathy research and translate into clinical diagnosis. Key points We leveraged U-Net architecture in an algorithm to measure the widths of glomerular basement membrane and podocyte foot processes. Deep learning-based automated measurement of glomerular filtration barrier morphology has promise in podocytopathy research and diagnosis.

Introduction: The number of glomeruli and glomerulosclerosis evaluated on kidney biopsy slides constitute as standard components of a renal pathology report. Prevailing methods for glomerular assessment remain manual, labor intensive and non-standardized. We developed a deep learning framework to accurately identify and segment glomeruli from digitized images of human kidney biopsies. Methods: Trichrome-stained images (n=275) from renal biopsies of 171 chronic kidney disease patients treated at the Boston Medical Center from 2009-12 were analyzed. A sliding window operation was defined to crop each original image to smaller images. Each cropped image was then evaluated by three experts into three categories: (a) No glomerulus, (b) Normal or partially sclerosed glomerulus and (c) Globally sclerosed glomerulus. This led to identification of 751 unique images representing non-glomerular regions, 611 images with either normal or partially sclerosed (NPS) glomeruli and 134 images with globally sclerosed (GS) glomeruli. A convolutional neural network (CNN) was trained with cropped images as inputs and corresponding labels as output. Using this model, an image processing routine was developed to scan the test data images to segment the GS glomeruli. Results: The CNN model was able to accurately discriminate non-glomerular images from NPS and GS images (Performance on test data - Accuracy: 92.67±2.02% and Kappa: 0.8681±0.0392). The segmentation model that was based on the CNN multi-label classifier accurately marked the GS glomeruli on the test data (Matthews correlation coefficient = 0.628). Conclusion: This work demonstrates the power of deep learning for assessing complex histologic structures from digitized human kidney biopsies.