基于人工智能和机器学习的自动化纤维化量化方法，在肺纤维化的临床前模型中的应用

《Respiratory Research》：Artificial intelligence, machine learning-based automated fibrosis quantification in preclinical models of pulmonary fibrosis

精准评估肺纤维化病理切片中的纤维化含量与空间分布是药物开发的关键，但传统Ashcroft评分法存在效率低、主观性强等缺陷。本研究通过194只小鼠的双盲队列验证，构建了基于监督式AI/ML的自动化评估框架，该框架与专家评分高度相关（验证集Spearman ρ=0.85，测试集ρ=0.89），评估速度提升1.5倍，并通过Ripley's K分析发现相同纤维化含量下存在空间分布差异。该技术为预临床研究提供高效、客观的纤维化量化工具。

　　

摘要

背景

在肺纤维化等疾病的治疗开发中，对临床前模型组织学图像中的疾病特征进行精确的定量评估至关重要。然而，现有的组织学纤维化评分方法（如Ashcroft评分）存在若干局限性，包括需要专家病理学家花费大量时间和精力进行评估、评分方法具有主观性以及评估结果存在观察者间差异。本研究的目的是评估基于监督学习（AI/ML）的框架在自动化、快速、客观地量化来自多种临床前纤维化模型的组织学切片中的纤维化含量和空间分布方面的可行性。

方法

从两个独立的临床前肺纤维化小鼠模型队列中，共获取了194只小鼠的经Masson三色染色处理的肺组织学切片。开发了一种基于监督学习的AI/ML算法，对其进行了训练、验证和独立测试，以自动检测、分割和量化纤维化，并与专家病理学家的独立Ashcroft评分结果进行对比。同时，还比较了AI/ML分割得到的纤维化模式在组织学图像中的空间分布情况。

结果

基于AI/ML的纤维化量化方法与Ashcroft评分结果具有高度相关性，无论是在验证队列（Spearman ρ = 0.85，置信区间：0.72–0.92）还是独立的独立测试队列（Spearman ρ = 0.89，置信区间：0.84–0.93）中均是如此，并且评估速度更快（大约快1.5倍）。此外，Ripley’s K分析显示，在Ashcroft评分相似但总体纤维化含量不同的样本中，AI分割得到的纤维化模式的空间分布存在差异。

结论

本研究开发并独立验证的AI/ML框架提供了一种稳健、计算效率高的方法，能够实现精确、用户友好的纤维化含量和空间分布的客观测量，该方法在临床前治疗试验和疾病发病机制研究中具有重大应用价值。