基于深度学习的肝脏病理图像中肝脂肪变性分级研究

摘要：

目的:设计基于深层神经网络模型用来分析肝脏全景病理切片图像(Whole slide images,WSI)的肝脂肪变性分级方法,以实现对非酒精性脂肪性肝病(Non-alcoholic fatty liver disease,NAFLD)病程的辅助诊断.方法:结合临床诊断,以非酒精性脂肪肝活动度积分(NAFLD activity score,NAS)为评价标准,将肝脂肪变性程度分为无、轻度、中度和重度等四级病程,本研究采用多示例学习的策略构建并训练深度神经网络模型,将训练获得的人工智能模型用来实现计算机自动化诊断肝脏病理切片中肝脂肪变性程度分级.结果:通过使用本研究中的人工智能方法可以在3分钟内对一张WSI进行完整的分析,得到该病患肝脏病理切片中肝脂肪变性分级,训练获得的人工智能模型的AUC为0.97,肝脂肪变性分级的平均准确率为78.18％,macro-F1 score、macro-Preci-sion和macro-Recall分别为79.49、82.03和77.10,其结果展示获得的人工智能模型已满足可辅助临床诊断的水平.结论:本研究基于深度学习技术开发的人工智能方法初步实现快速自动化诊断肝脂肪变性分级,展现了其潜在的临床使用价值.

关键词：深度学习、多示例学习、非酒精性脂肪肝诊断、数字病理

所属期刊栏目：22

分类号：R589;Q334;Q26;Q75;Q593(内分泌腺疾病及代谢病)

资助基金：国家自然科学基金91857103

在线出版日期：2022-11-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：3601-3607