Система анализа изображений оценивает активность НС-заболеваний
By LabMedica International staff writers Posted on 05 Jun 2018 |
Гистопатологическая микрофотография биопсии печени со стеатогепатитом, демонстрирующим дегенерацию гепатоцитов с раздуванием – форму апоптоза (фото любезно предоставлено Nephron).
Неалкогольный стеатогепатит (НС) представляет собой прогрессирующую форму неалкогольной жировой болезни печени (НЖБП), при которой избыточный жир накапливается в печени людей, в анамнезе которых нет истории злоупотребления алкоголем.
НЖБП рассматривают как печеночное проявление метаболического синдрома, а число людей с НЖБП/НС быстро растет во всем мире, параллельно с увеличением распространенности ожирения. В настоящее время разрабатываются клинические алгоритмы, основанные на результатах анализа крови, для выявления пациентов с прогрессирующим НС, но биопсия печени всё же остается необходимой для установления как диагноза НС, так и тяжести заболевания.
В ходе исследования мышиную модель, которая находилась на определяемой L-аминокислотой диете с дефицитом холина, дополненной холестерином, использовали для оценки гепатоцеллюлярного вздутия (hepatocellular ballooning) и лобулярного воспаления в образцах биопсии печени. Эксперт-гистопатолог определил число баллов вздутия и воспаления для всех животных, включенных в исследование, при этом были разработаны модели глубокого обучения для обнаружения и анализа этих гистологических признаков. Первоначальный тренировочный набор из 31 единицы был использован для калибровки вздутия и воспаления для последующего прогнозирования этих гистологических признаков в четырех независимых когортах (n = 271).
Исследование показало, что алгоритмы глубокого обучения, применяемые с использованием программного обеспечения с открытым исходным кодом QuPath1 (GENFIT, Лос, Франция), могут точно идентифицировать образцы гистологии клеток, соответствующие лобулярному воспалению и гепатоцеллюлярному вздутию - маркерам активности болезни, которые необходимы для установления диагноза и тяжести НС. Система глубокого обучения смогла предсказать клеточные гистологические модели, связанные со вздутием и воспалением, с точностью 98 и 91% соответственно. Была достигнута отличная согласованность между оценкой эксперта и полностью автоматизированной системой оценки вздутия на клеточном уровне для каждой из когорт. Также наблюдалась прекрасная корреляция с образцами цельной ткани и между автоматической оценкой воспаления в целом по учебной когорте.
Джон Брозек (John Brozek), главный сотрудник по данным и информации GENFIT, говорит: “Системы оценки, основанные на глубоком обучении, позволяют проводить исчерпывающий и воспроизводимый анализ всех клеток в образце биопсии, а также они могут анализировать конкретные области клеток, которые трудно интерпретировать вручную, даже если вы эксперт”. Автоматизированная система оценки вздутия и воспаления показала высокую корреляцию с экспертной оценкой и готова к использованию для высокоэффективной оценки активности в доклинических исследованиях или, как планируется в ближайшем будущем, в качестве вспомогательного диагностического инструмента для клинического применения”. Исследование было представлено на международном конгрессе The International Liver Congress 11-15 апреля 2018 года в Париже, Франция.
Ссылки по теме:
GENFIT
НЖБП рассматривают как печеночное проявление метаболического синдрома, а число людей с НЖБП/НС быстро растет во всем мире, параллельно с увеличением распространенности ожирения. В настоящее время разрабатываются клинические алгоритмы, основанные на результатах анализа крови, для выявления пациентов с прогрессирующим НС, но биопсия печени всё же остается необходимой для установления как диагноза НС, так и тяжести заболевания.
В ходе исследования мышиную модель, которая находилась на определяемой L-аминокислотой диете с дефицитом холина, дополненной холестерином, использовали для оценки гепатоцеллюлярного вздутия (hepatocellular ballooning) и лобулярного воспаления в образцах биопсии печени. Эксперт-гистопатолог определил число баллов вздутия и воспаления для всех животных, включенных в исследование, при этом были разработаны модели глубокого обучения для обнаружения и анализа этих гистологических признаков. Первоначальный тренировочный набор из 31 единицы был использован для калибровки вздутия и воспаления для последующего прогнозирования этих гистологических признаков в четырех независимых когортах (n = 271).
Исследование показало, что алгоритмы глубокого обучения, применяемые с использованием программного обеспечения с открытым исходным кодом QuPath1 (GENFIT, Лос, Франция), могут точно идентифицировать образцы гистологии клеток, соответствующие лобулярному воспалению и гепатоцеллюлярному вздутию - маркерам активности болезни, которые необходимы для установления диагноза и тяжести НС. Система глубокого обучения смогла предсказать клеточные гистологические модели, связанные со вздутием и воспалением, с точностью 98 и 91% соответственно. Была достигнута отличная согласованность между оценкой эксперта и полностью автоматизированной системой оценки вздутия на клеточном уровне для каждой из когорт. Также наблюдалась прекрасная корреляция с образцами цельной ткани и между автоматической оценкой воспаления в целом по учебной когорте.
Джон Брозек (John Brozek), главный сотрудник по данным и информации GENFIT, говорит: “Системы оценки, основанные на глубоком обучении, позволяют проводить исчерпывающий и воспроизводимый анализ всех клеток в образце биопсии, а также они могут анализировать конкретные области клеток, которые трудно интерпретировать вручную, даже если вы эксперт”. Автоматизированная система оценки вздутия и воспаления показала высокую корреляцию с экспертной оценкой и готова к использованию для высокоэффективной оценки активности в доклинических исследованиях или, как планируется в ближайшем будущем, в качестве вспомогательного диагностического инструмента для клинического применения”. Исследование было представлено на международном конгрессе The International Liver Congress 11-15 апреля 2018 года в Париже, Франция.
Ссылки по теме:
GENFIT