目的 开发基于人工智能算法的非酒精性脂肪性肝病(NAFLD)病理特征识别模型,探究模型能否识别并可视化脂肪变性细胞、炎症细胞和纤维化等病理特征.方法 选择65只NAFLD小鼠的肝组织H-E染色和天狼猩红染色病理切片各65张,通过数字化扫描获得数字病理切片.对于H-E染色切片,使用CaseViewer 2.3软件在放大200、300、400倍后截取病变部位图像各2张,共获得390张脂肪变性细胞病理图像和390张炎症细胞病理图像;将图像上传至Horizope标注平台进行手动标注,然后通过数据增强得到2340张脂肪变性细胞图像及2340张炎症细胞图像;按4:1:1划分为训练集、验证集和测试集,其中训练集(1560张)、验证集(390张)用于U-Net深度学习模型的训练学习和参数迭代,测试集(390张)用于模型的识别分析.采用Dice相似系数(DSC)、平均交互比(MIoU)、平均准确度(MA)和灵敏度对模型性能进行评估.对于天狼猩红染色切片,使用CaseViewer 2.3软件在放大50倍后进行全视野截取,采用了颜色特征提取算法进行纤维化识别.对130张数字病理切片进行人工NAFLD活动度积分(NAS)评分和机器评分,并计算和分析脂肪变性细胞面积占比(PFA)、炎症细胞密度(DIC)和纤维化面积占比(RFA).结果 基于人工智能算法的NAFLD病理特征识别模型识别脂肪变性细胞的DSC为0.87,MIoU为0.80,MA为0.88,灵敏度为0.84;识别炎症细胞的DSC为0.84,MIoU为0.78,MA为0.85,灵敏度为0.80.65张病理切片的PFA为0.371(0.013～0.743),DIC为288(19～894)/mm2,RFA为0.0485±0.0254,PFA、DIC、RFA均与机器评分和人工NAS评分呈正相关(rs=0.953和0.928、0.883和0.869、0.887和0.749,P均<0.001).结论 基于人工智能算法的NAFLD病理特征识别模型有良好的表现,能够帮助病理医师识别NAFLD的病理特征、提高识别效率与准确率.

非酒精性脂肪性肝病;脂肪变性;炎症细胞;纤维化;U-Net;深度学习

孙丹辉;荣义辉;廖心怡;潘雅婷;王珏;黄萍;朱思越;柳苏桐;王亚妮;杜帆;于观贞

北京大学国际医院感染性疾病科,北京 102206;上海中医药大学附属龙华医院肿瘤科,上海 200032;上海中医药大学附属龙华医院脾胃病研究所,上海 200032;浙江数字内容研究院数字医疗与人工智能实验室,绍兴 312366

海军军医大学学报

[1]孙丹辉;荣义辉;廖心怡;潘雅婷;王珏;黄萍;朱思越;柳苏桐;王亚妮;杜帆;于观贞-.基于人工智能算法和数字病理切片对非酒精性脂肪性肝病病理特征的识别效果)[J].海军军医大学学报,2022(09):1000-1006

CaseViewer,Horizope,机器评分

人工智能算法,数字病理切片,非酒精性脂肪性肝病,病理特征,NAFLD,特征识别,识别模型,脂肪变性,炎症细胞,肝组织,猩红,数字化扫描,得数,截取,病变部位,位图,共获,细胞病理,病理图像,张炎,数据增强,细胞图像,训练集,验证集,测试集,Net,深度学习模型,训练学,参数迭代,识别分析,Dice,相似系数,DSC,MIoU,MA,模型性能,全视,颜色特征,特征提取算法,活动度,NAS,PFA,细胞密度,DIC,RFA,模型识别,mm2,rs

0.23944