✦
深度学习辣汤小组文献阅读学习之一百五十二篇
✦
目标检测：一种新的用于诊断肝细胞气球样变的人工智能技术
DeepLearning 深度学习辣汤小组
2024/1/17
2023年，来自于徐州医科大学附属医院的郑天雷及其团队讨论了人工智能技术在脂肪肝病理方面的应用发展，还简述了目标检测技术的原理、发展及在肝细胞气球样变诊断中的潜在优势，并在期刊LIVER INT（IF=6.7，医学一区）上发表题为“Object detection: A novel AI technology for the diagnosis of hepatocyte ballooning”的文章。
DOI：
https://doi.org/10.1111/liv.15799
一、研究背景
2023年，非酒精性脂肪性肝病(NAFLD)被重新命名为代谢功能障碍相关脂肪性肝病(MAFLD，metabolic dysfunction-associated fatty liver disease)，MAFLD也已成为世界范围内最常见的慢性肝病之一。高达20%-30%的MAFLD患者可发展为代谢功能障碍相关脂肪性肝炎(MASH，以前称为NASH)，最终发展为晚期纤维化、肝硬化、或肝细胞癌。因此，早期诊断MASH对于控制这种常见的代谢性肝病的进展至关重要。
在众多检查中，肝组织活检是唯一能可靠诊断MASH的方法。肝细胞气球样变（HB，hepatocyte ballooning）和脂肪变性、纤维化、小叶炎症被认为是诊断MASH的四个关键组织学特征。而HB被认为是细胞损伤和应激的指标，对于诊断和评估MASH的严重程度至关重要。
随着组织病理学的发展，病理切片可以以数字图像的方式存储和备份，也使得先进的图像分析算法可以应用于数字切片，实现细胞和组织特征的自动检测，量化和分类。这篇综述描述了过去三十年来人工智能算法在HB识别方面的研究现状（图1），以及人工智能的目标检测技术在HB检测和解释中的潜力和未来发展方向。
二、现有HB检测算法的局限性
目前，非酒精性脂肪肝疾病活动评分、Matteoni评分、K评分或其他半定量评分系统常用于临床诊断。然而，这些评分系统往往受到诊断医师的主观性、经验水平、疲劳程度等的影响，对于同一张切片，不同的医生可能给出不同的诊断。此外，由于制备操作和成像设备造成的切片染色和成像的差异，以及缺乏大样本、多中心研究中统一标准图像的HB开放数据库，使得在MASH组织中准确诊断HB更加困难。
近年来，机器学习技术在图像处理方面取得了重大进展，包括识别、分割和分类。这些新技术得到了广泛的应用，并为器官病变的辅助诊断做出了重大贡献。因此，一些研究人员开始应用传统的机器学习或深度学习技术来自动识别MASH中的HB，并进行定量分析。然而，由于HB的特殊性，到目前为止，许多研究结果并不令人满意（表1）。
三、目标检测技术的原理及临床应用
目标检测技术是指对图像或视频中的特定物体进行自动识别和定位的技术，是计算机视觉领域的一个重要组成部分。近年来，基于深度学习的目标检测算法凭借其结构简单的同时效率和准确性更高的优势，迅速赶超了传统目标检测算法，一跃成为最主流的目标检测算法。比如针对血细胞检测任务，在此之前，形态学分割方法依赖于人工特征提取，这对于血细胞的分类和检测来说是费时费力的。此外，人工特征提取在检测重叠细胞时也产生了较差的结果。然而，随着先进的目标检测技术的融合，如在血细胞分类和检测领域的Faster R-CNN和YOLO，在训练过程中不再需要人为干预。这导致对小目标和重叠细胞的更快、更准确的检测，最终提高了整个过程的效率。除此之外，目标检测技术的应用在各种医学图像分析任务中也取得了显著的成功，包括视网膜病变、皮肤病变、胃肠内窥镜、前列腺和肝脏病理图像。
2020年，Arjmand等人解决了MASH病理研究中哪种深度学习算法或变体是最准确的分类方法的问题。该研究比较了多种算法来区分包括HB在内的四种常见肝脏病理。结果表明，目标检测算法AlexNet是最有效的分类器。本研究开启了HB识别中的目标检测时代。
四、目标检测技术在HB识别上的潜力
目标检测技术以其固有的优势有助于HB的检测。首先，目标检测算法可以帮助病理学家自动识别和定位HB，从而减少人工识别的工作量。其次，与传统的人工检测等深度学习方法相比，目标检测技术可以从大量的图像数据中更快地检测出HB的位置，并在更短的时间内处理大量的病理图像，提高临床工作流程效率。第三，对于形状、大小、颜色不同的物体，目标检测方法，如R-CNN和Faster R-CNN，采用两阶段检测方法，可以更好地处理不同尺度的物体，实现更精确的复杂目标定位。最后，当面对同一图像或视场中的多个不同HB时，目标检测算法可以在消耗最小计算内存的同时锁定多个可疑目标，从而最大化综合效益(图2)。
除了传统的基于cnn的结构外，将目标检测技术与Transformer架构相结合成为近年来的研究热点。Transformer架构具有自我关注机制，能够对图像中对象之间的配对交互进行建模，使这些架构特别适用于预测一组中的特定对象并去除重复预测的对象特征。另一方面，Transformer架构中的注意力权重计算是涉及像素数量和由Transformer架构组成算法的二次计算，这可能会使算法关注图像中与给定任务最相关的部分。在过去的一年里，病理学家将Transformer方法整合到计算机视觉深度学习框架中，以解决过拟合、弱监督学习效果不足、当前深度学习模型分析病理图像时模型输出解释性不足等问题。在原发性脑肿瘤的诊断和治疗、淋巴结转移的准确预测、肺癌的精确分类等相关领域取得了显著进展。综上所述，目标检测算法在HB的识别方面具有巨大的潜力。
图1：利用病理切片诊断脂肪肝的发展时间表
表1：传统的机器学习和深度学习算法应用于MASH中HB识别汇总
图2：HB评估方法描述
Pepper soup transformed by: Yang Na
//
深度学习辣汤AI小组由徐州医科大学以及徐州医科大学附属医院一群热爱人工智能的小伙伴们组成，欢迎大家跟我们交流学习!
扫码关注我们
欢迎加入我们！
成员微信号：cy2011mcu
添加好友时请备注：
您的 单位-科室-姓名-研究方向
