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-Precision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。     

一种非酒精性脂肪性肝病的超声影像人工智能辅助诊断系统开发

摘要 目的：结合人工智能方法设计针对肝脏超声影像的辅助诊断系统,辅助医生对大样本肝脏超声影像数据的标准化和高效化诊断,实现基于肝脏超声图像的非酒精性脂肪性肝病的精准诊断。方法：通过开发肝脏超声影像的识别与分类、脂肪肝分级分析和肝脏脂肪含量定量分析三个模块,建立一套非酒精性脂肪性肝病的超声影像人工智能辅助诊断系统,该系统能够自动区分输入到系统中不同采样视野的超声影像类型,并对肝脏超声图像进行数字化分析,给出待测超声图像是否呈现脂肪肝以及其肝脏脂肪含量的百分比值。结果：本研究中的超声图像识别分类模块可高通量区分出肝肾比图像和衰减率图像的两类超声影像,其分类的准确率达100%。脂肪肝分级分析模块在测试集数据的准确率达到84%,展现出可胜任辅助医生诊断的能力。基于人工肝脏脂肪含量定量方法开发的肝脏脂肪含量定量分析模块的准确率达到67.74%。结论：本研究已开发出一套基于肝脏超声影像的智能辅助诊断系统,可以辅助医生快速、简单、无创地筛选出潜在患有脂肪肝的患者,虽然现阶段实现肝脏脂肪定量分析仍有难度,但已展现出较大的临床应用潜力。