基于人工智能的32×32像素分块CNN模型在四氯化碳诱导MASH小鼠肝纤维化定量分析中的优化与验证

《Toxicological Research》：Artificial intelligence?based quantitative analysis of hepatic fibrosis in carbon tetrachloride-induced mouse model of metabolic dysfunction-associated steatohepatitis

本研究针对肝纤维化定量评估在临床前毒理学研究中存在的主观性和不一致性问题，开发了多尺度、分块式的卷积神经网络分类算法，用于自动量化四氯化碳(CCl4)诱导的代谢功能障碍相关脂肪性肝炎(MASH)小鼠模型中的肝纤维化。研究发现，32×32像素的分块模型与病理学家评估结果相关性最高(Spearman's r=0.9609)，并能准确检测elafibranor(ELA)的抗纤维化效果。该研究为临床前毒理学研究提供了一种快速、可重复且客观的肝纤维化定量分析方法，具有整合到数字病理工作流程中的强大潜力。

　　

随着代谢综合征相关疾病的日益流行，代谢功能障碍相关脂肪性肝病(MASLD)及其进展形式代谢功能障碍相关脂肪性肝炎(MASH)已成为肝纤维化的主要诱因。肝纤维化作为慢性肝损伤的关键组织病理学标志，其准确评估对于药物开发和毒性研究至关重要。然而，传统的组织病理学评估高度依赖病理学家的专业知识和经验，存在主观性强、评估不一致、工作效率低等问题，特别是在需要快速分析数百甚至数千张组织切片的临床前毒理学研究中，这一问题尤为突出。

近年来，随着数字病理学的快速发展，全幻灯片图像(WSI)技术为组织分析提供了新的平台。结合人工智能(AI)技术，特别是深度学习算法，有望实现病变的自动检测和分类，显著提高诊断的速度和准确性。卷积神经网络(CNN)因其能够自动提取图像特征并进行模式识别，在医学图像分析领域展现出巨大潜力。尽管已有研究尝试使用AI技术量化肝纤维化，但关于最佳分块大小及其在临床前毒理学中的应用价值仍不明确。

在这项发表于《Toxicological Research》的研究中，研究人员旨在开发并验证基于多尺度分块的CNN分类算法，用于自动量化CCl₄诱导的MASH小鼠模型中的肝纤维化，并确定最佳分块大小以获得准确预测。

关键技术方法

研究使用19只C57BL/6小鼠，分为vehicle对照组、高脂饮食(HFD)+CCl₄阳性对照组和HFD+CCl₄+elafibranor(ELA)治疗组。肝组织经天狼星红(Sirius Red)染色后，数字化为WSI，并裁剪为32×32、64×64或128×128像素的分块。每个算法按8:1:1比例分为训练集、验证集和测试集，使用40个epoch和32的batch size进行训练，以分类纤维化、正常和背景区域。算法性能通过准确率、精确度、召回率和F1-score评估，并与病理学家标注结果进行Spearman相关性分析。

算法模型测试结果

所有三种分块大小的算法均表现出色，验证准确率均超过98%，F1-score均高于0.96。32×32模型在测试数据集中，369个纤维化分块仅出现1个错误，64×64模型(192个分块)出现3个错误，128×128模型(48个分块)出现2个错误。所有模型对纤维化结果的精确度和召回率均分别高于0.98和0.96。

算法预测值与病理学家标注值的比较

视觉比较显示，32×32算法预测的纤维化绝对面积(μm²)与病理学家的实际值最为接近。Spearman相关性分析表明，32×32算法与病理学家评估结果的相关性最高(r=0.9609)，显著高于64×64算法(r=0.9298)和128×128算法(r=0.8930)。

组间纤维化比率的比较

在vehicle对照组与HFD+CCl₄组之间，病理学家的实际值与所有开发的分块算法预测的纤维化面积比率均存在显著差异(p<0.0001)。在HFD+CCl₄组与HFD+CCl₄+ELA组之间，病理学家的实际值与所有算法的预测值也显示出显著差异(p<0.0001或p=0.0002)，表明32×32算法能够准确检测ELA的抗纤维化效果。

研究结论与意义

本研究表明，基于32×32分块的CNN分类方法为临床前毒理学中的肝纤维化量化提供了一种快速、可重复且客观的方法。该算法能够准确捕捉CCl₄诱导的MASH小鼠模型中从轻微到中度不同程度的纤维化严重性，并与病理学家的评估高度一致。此外，该模型成功检测了ELA治疗的抗纤维化效果，验证了其在药物疗效评估中的应用潜力。

这项研究的创新之处在于通过多尺度分块比较，确定了32×32像素为小鼠肝组织纤维化分析的最佳分块大小，在保证准确性的同时兼顾了计算效率。与需要复杂参数和大量数据的分割模型不同，这种分块分类模型实现简单、训练时间短，为组织病理学病变的自动定量评估提供了实用方案。未来，通过纳入更多动物模型和不同染色技术的数据，这一方法有望进一步扩展至其他肝脏病变的分析，如脂肪肝和脂肪性肝炎，从而在毒理学研究和药物开发中发挥更大价值。