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

【摘要】目的 开发基于人工智能算法对非酒精性脂肪肝病理特征的识别模型，研究人工智能模型是否能够识别出包括炎细胞、脂肪变性细胞和纤维化在内的非酒精性脂肪肝病理特征并可视化，帮助病理医生提高识别非酒精性脂肪肝病理特征的效率与准确率。方法 我们通过对65只患有非酒精性脂肪肝(NAFLD)的小鼠进行剖取肝脏组织，分别经HE和天狼猩红染色后获得65例HE和65例天狼猩红病理切片。对于HE切片，使用CaseViewer软件在20、30、40倍镜下截取HE染色切片的病变部位图像，将图像上传Horizope专业标注平台进行标注，并按4:1:1的比例将数据集划分为训练集、验证集和测试集，使用基于深度学习模型的U-Net分割网络对非酒精性脂肪肝病理特征进行识别，采用四个评价指标进行性能评估；对于天狼猩红染色切片，使用CaseViewer软件在5倍镜下对天狼猩红染色切片进行全视野截取，采用了颜色特征提取算法进行纤维化识别。对130例原始病理切片进行病理特征的识别和参数的计算，包括脂肪变性面积占比(PFA)的计算、炎细胞密度(DIC)的计算、纤维化面积占比(RFA)的计算，并用统计学方法进行分析。结果 根据识别结果计算病理参数PFA、DIC、RFA并纳入分析，PFA平均值为0.370，中位值为0.371（范围：0.013-0.743），与得分的相关系数R=0.9476；DIC平均值为313，中位值为288（范围：19-894），与得分的相关系数R=0.8883；RFA平均值为0.049，中位值为0.0507（范围：0.001-0.121），与得分的相关系数R=0.9731。结论 人工智能算法对非酒精性脂肪肝病理特征的识别取得了良好的表现，能够帮助病理医生提高识别非酒精性脂肪肝病理特征的效率与准确率，辅助医生对非酒精性脂肪肝进行正确的分级分期和疗效评估。