携手健康生活网

您现在的位置是:首页 > 健康资讯 > 正文

健康资讯

活检样本的自动分析能够快速 可重复地定量NASH疾病活动

2019-07-24 09:50:51健康资讯

肝脏活组织检查样本中模式识别的深度学习方法已经向临床应用迈进了一步,一项新的研究报告了自动图像分析系统和专家评审员之间的良好关联,用于识别疾病活动的关键标记。 - 非酒精性脂肪性肝炎(NASH)的临床模型。这项研究今天在法国巴黎举行的2018年国际肝病大会上报告发现,使用开源病理学软件(QuPath)应用的深度学习算法可以准确地识别与小叶炎症和肝细胞气球样本 - 疾病活动标志物一致的细胞组织学模式。对确定NASH的诊断和严重程度至关重要。

非酒精性脂肪性肝炎是非酒精性脂肪性肝病(NAFLD)的进行性形式,其中过量脂肪在没有酗酒史的个体的肝脏中积聚。NAFLD被认为是代谢综合征的肝脏表现,随着肥胖患病率的增加,全球NAFLD / NASH患者人数迅速增加。尽管正在开发基于血液检测结果的临床算法来识别患有进行性NASH的患者,但肝脏活检对于确定NASH的诊断和疾病的严重程度仍然是必不可少的。

法国生物技术公司GENFIT的John Brozek先生解释说,通过显微镜对NASH进行组织学评估是耗时的,并且受到观察者间和观察者内部变异性的限制,该公司正在开发深度学习系统。“我们一直在努力消除与解释组织学图像相关的主观性,并且最近使用深度学习技术来量化动物模型中与NASH相关的组织学模式”。

在Brozek先生今天提出的研究中,动物模型(喂食胆碱缺乏的L-氨基酸定义饮食的大鼠或小鼠补充胆固醇)被用于评估肝活检样本中的肝细胞气球样和小叶炎症。一位专家组织病理学家确定了研究中包括的所有动物的气球和炎症评分,并构建了深度学习模型以检测和分析这些组织学特征。初始训练集(n = 31)用于校准气球和炎症,随后在四个独立群组中预测这些组织学特征(n = 271)。

根据Brozek先生的说法,深度学习系统能够预测与气球和炎症相关的细胞组织学模式,准确度分别为98%和91%。对于每个群组,在细胞水平上的专家和全自动气球评分之间观察到极好的一致性(k = 0.84和k = 0.81)。对于完整的组织样本(k = 0.71),以及在训练群组中基于整个载玻片成像的炎症自动评分(Rho = 0.907)之间也观察到极好的相关性。

“基于深度学习的评分系统可以对活检样本中的所有细胞进行详尽,可重复的分析,并且他们可以分析特定的细胞区域,即使您是专家也难以手动解释,”Brozek先生说。'我们的气球和炎症自动评分系统与专家评估高度相关,可以用于临床前研究中的高通量活动评分,或在不久的将来,作为临床应用的伴随诊断工具' 。

伊丽莎白女王医院和伊利诺伊大学的Phil Newsome教授表示,肝脏活检解释的一致性和机器学习的关键挑战提供了一种更加标准化,客观的方法,可以对临床试验中的活组织检查进行分析。英国伯明翰和EASL理事会成员。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。