Разработка программного обеспечения на основе искусственного интеллекта для цифровой оценки репаративной регенерации костной ткани

Морфометрический анализ является неотъемлемым инструментом гистологического исследования, благодаря которому можно оценить не только качественные, но и количественные характеристики объекта. Это позволяет более эффективно находить зависимости между структурой и функцией тканей и (или) клеток, повышать точность получаемых оценок, снижать влияние субъективного фактора на результаты анализа, а также автоматизировать процедуры исследования и диагностики [1]. Вместе с тем одним из главных трендов в здравоохранении на сегодняшний день является цифровизация, направленная на повышение эффективности оказания медицинской помощи за счет применения инновационных подходов и расширения использования возможностей цифровых инструментов.

Современные системы сканирования гистологических препаратов, в отличие от цифровой камеры, установленной на привычный микроскоп, позволяют захватить всю площадь изучаемого объекта в высоком разрешении, что необходимо для последующего гистоморфометрического исследования. Оцифрованный микропрепарат подвергают морфометрическому анализу с помощью морфометрических программ, включающих в свой состав набор необходимых инструментов для количественной оценки. Однако отсутствие полной автоматизации процесса, ограниченное количество программ и морфометрических инструментов, а также низкая воспроизводимость результатов исследования не позволяют использовать этот метод оценки в рутинной клинико-диагностической практике. Решением проблем подобного рода может стать использование нейронных сетей, в связи с чем здравоохранение остается одной из главных областей инвестирования в технологии искусственного интеллекта [2, 3].

В настоящее время самыми перспективными видами нейронных сетей для анализа изображений принято считать сети Fully Convolution Network (FCN) [4], DeepLabV3 [5] и DeepLabV3 Plus [6]. Однако для решения задач, связанных с гистоморфометрическим анализом, наиболее оптимальной и перспективной технологией нейронной сети следует считать DeepLabV3. В отличие от аналогов DeepLabV3 является сетью end-to-end, способной получать финальный результат без каких-либо постобработок. Однако определяющим преимуществом именно этой нейронной сети является технология atrous convolution, позволяющая считывать и обрабатывать информацию на разных масштабах изображения [7]. Оптимальным объектом для гистоморфометрического анализа с применением технологии искусственного интеллекта могут стать изображения высокого разрешения, полученные при оцифровке гистологических микропрепаратов сканирующими микроскопами.

Цель исследования — разработать программное обеспечение на основе искусственного интеллекта, позволяющее производить количественную оценку параметров репаративной регенерации костной ткани, а также сравнить результаты гистоморфометрического анализа, проведенного нейронной сетью и человеком.

Для обучения нейронной сети и разработки программного алгоритма отобраны 50 гистологических микропрепаратов с фрагментами костного регенерата человека, окрашенных гематоксилином и эозином. Затем с помощью систем для сканирования микропрепаратов Aperio AT2 («Leica Biosystems Imaging, Inc», США) путем оцифровки гистологических препаратов получены изображения высокого разрешения, предназначенные для последующей ручной сегментации костного регенерата. В качестве морфометрических параметров, необходимых для количественной оценки исхода репаративного остеогенеза, использовали объем вновь образованной ретикулофиброзной и пластинчатой костной ткани, а также объем соединительной ткани, выраженные в долевом отношении.

После этого с помощью инструментов программного обеспечения Leica Aperio («Leica Biosystems Imaging, Inc», США) выполняли ручную сегментацию для последующего обучения нейронной сети с помощью фреймворка Pytorch.

Для сравнения результатов морфометрического анализа, проведенного человеком и разработанным программным алгоритмом на основе искусственного интеллекта, использовали данные, полученные в результате разметки сканов гистологических препаратов десятью респондентами с последующей консолидацией этих данных в программе Microsoft Office Excel путем вычисления средних значений. Использовали также данные, полученные при обработке сканов гистологических препаратов с применением технологии искусственного интеллекта. Все данные размещали в базе данных на основе Microsoft Office Excel 2019 и анализировали с помощью программы IBM SPSS Statistics v.26 («IBM Corporation», США). Данные обрабатывали с использованием критерия знаковых рангов Уилкоксона, в котором за нулевую гипотезу принимали отсутствие статистически значимых различий между выборками. Выполнили корреляционный анализ с использованием Тау-b Кендалла для оценки величины корреляции, согласованности данных в разных выборках. Во всех случаях статистическая значимость оценки атрибутировалась при p<0,05.

Для корректного обучения нейронной сети разработан план, состоящий из 4 этапов:

1) обучение сегментации регенерата на костную ткань и прочие ткани;

2) обучение стратификации костной ткани на ретикулофиброзный и пластинчатый типы;

3) обучение сегментации регенерата на соединительную и другие ткани;

4) обучение сегментации регенерата на остаточный костнозамещающий материал и прочие ткани;

5) обучение сегментации изображения микропрепарата с автоматическим подсчетом площадей, занятых различными типами тканей, входящих в состав регенерата, в долевом отношении.

По результатам первого этапа обучения программный алгоритм стал способен определять зоны, занятые костной тканью (рис. 1). Ошибки идентификации костной ткани встречались только в тех случаях, когда в гистологических препаратах имелись артефакты, сформировавшиеся на этапе их изготовления или сканирования.

Рис. 1. Случайный фрагмент из общей площади изображения.

а — без обработки; б — после обработки человеком; в — после обработки нейронной сетью: 1 — костная ткань; 2 — другие ткани.

На втором этапе нейронная сеть была обучена сегментации изображений вновь образованной костной ткани на ретикулофиброзный и пластинчатый типы (рис. 2) за счет дифференцирования направленности коллагеновых волокон, расположения и размера остеоцитарных лакун, плотности регенерата.

Рис. 2. Случайный фрагмент из общей площади изображения.

а — без обработки; б — после обработки человеком; в, г — после обработки нейронной сетью: 1 — пластинчатая костная ткань; 2 — ретикулофиброзная костная ткань; 3 — зона, не занятая тканями.

На третьем этапе нейронная сеть была обучена выявлению соединительной ткани, заполняющей межбалочные пространства костного регенерата (рис. 3). Основными признаками, помогающими нейронной сети в определении, следует считать плотность и направленность коллагеновых волокон, отсутствие остеоцитарных лакун и гаверсовых систем, наличие полостей в структуре.

Рис. 3. Случайный фрагмент из общей площади изображения.

а — без обработки; б — после обработки человеком; в — после обработки нейронной сетью: 1 — соединительная ткань; 2 — костная ткань.

Результатом четвертого этапа стала сегментация изображения с определением объема нерезорбированного остеопластического материала, отличительными признаками которого являлись отсутствие коллагеновых волокон, остеоцитарных лакун, геверсовых систем и присутствие гранулированного рисунка, границ в виде «ломаной» линии.

На пятом этапе подготовки нейронная сеть обучена сегментировать все типы тканей, входящие в состав регенерата: ретикулофиброзную костную ткань, пластинчатую костную ткань, соединительную ткань и остеопластический материал. Сегментация компонентов биоптата происходила за счет свойств и признаков, определенных на предыдущих этапах. Помимо качественной характеристики, программный алгоритм определял процентное соотношение тканевых компонентов костного регенерата (рис. 4).

Рис. 4. Интерфейс отчетной формы для отображения абсолютных и относительных показателей регенераторного потенциала костной ткани.

При использовании критерия знаковых рангов Уилкоксона уровень статистической значимости расценивали как отсутствие статистически значимых различий между оценками объема тканевых компонентов костного регенерата на препаратах, сделанными респондентами и программным алгоритмом. При использовании Тау-b Кендалла уровень статистической значимости во всех попарных сравнениях был p<0,05, что расценивалось как наличие согласованности между оценками, сделанными респондентами и программным алгоритмом, с высоким уровнем силы связи и, как следствие, высокой воспроизводимостью (см. таблицу).

Исследование результатов морфометрического анализа, проведенного респондентами и программным алгоритмом на основе искусственного интеллекта

В ходе исследования разработан программный алгоритм, позволяющий проводить автоматический гистоморфометрический анализ с высокой точностью и в короткие сроки. Программное обеспечение способно выполнять автоматический гистоморфометрический анализ по основным параметрам репаративной регенерации костной ткани: объем ретикулофиброзной костной ткани, объем пластинчатой костной ткани, объем соединительной ткани и объем нерезорбированного остеопластического материала при окраске гематоксилином и эозином. Автоматизация морфометрической оценки уже находит применение в научно-исследовательской практике [8—12].

В ходе сравнения результатов анализа изображений специалистами и программным алгоритмом выявлено, что последний может быть эквивалентным инструментом для быстрого и эффективного получения информации о долях тканевых компонентов костного регенерата на гистологическом срезе, сопоставимым по уровням воспроизводимости и точности с ручной разметкой, проводимой человеком (свидетельство о регистрации программы для ЭВМ RU2022661077).

Финансирование: работа поддержана грантом УМНИК, договор 822ГУЦЭС8-D3/63732.

Авторы заявляют об отсутствии конфликта интересов.