相关实验视频
Updated: Sep 14, 2025
09:27
The Dimethylnitrosamine Induced Liver Fibrosis Model in the Rat
Published on: June 17, 2016
12.2K
基于深度学习的方法,在动物模型中对代谢功能障碍相关的脂肪肝炎的形性肝纤维化进行分级
Soo Min Ko1, Jae-Ik Shin2,3, Yiyu Hong2
1Department of Medical Science, AMIST, Asan Medical Center, University of Ulsan College of Medicine, Seoul, Republic of Korea.
Frontiers in medicine
|July 21, 2025
概括
深度学习模型在代谢功能障碍相关的脂肪肝炎 (MASH) 动物模型中准确地分阶段肝纤维化. 一个7类模型改善了分类性能,支持病理学家在纤维化阶段.
科学领域:
- 肝病理学和数字病理学
- 人工智能在临床前研究中的应用.
背景情况:
- 代谢功能障碍相关的脂肪肝炎 (MASH) 是一种进展性肝病,需要精确的纤维化分期来治疗患者.
- 目前的纤维化阶段依赖病理学家的专业知识使用克莱纳的得分,在临床分类提出挑战.
- 早期和准确的纤维化评估对于MASH诊断,预后和治疗决策至关重要.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于MASH动物模型中的自动肝纤维化得分.
- 评估DL模型在基于Kleiner标准的纤维化阶段分类中的性能.
- 在临床前MASH研究中提高肝纤维化分期的准确性和效率.
主要方法:
- 使用了来自MASH动物模型的Sirius Red染色全幻灯片图像.
- 从914个全幻灯片图像中开发出999,711个补丁图像的大数据集.
- 训练和评估5类和7类DL分类模型用于纤维化病阶段.
主要成果:
- 一个5类分类模型在纤维化阶段中显示了中等一致性.
- 一个精细的7类分类模型显著超过了5类模型.
- 7类模型显示出优越的性能指标,包括AUROC和AUPRC,用于增强分类.
结论:
- 深度学习模型可以有效地支持专家病理学家对肝纤维化进行分期.
- 开发的DL模型在MASH临床前研究中提供了一个有前途的工具,用于在MASH临床前研究中进行一致和准确的纤维化评估.
- 使用7类模型的增强分类提高了基于DL的纤维化分期的精度.
