Введение

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.

Материал и методы

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.

Результаты

Обучение программного алгоритма на основе нейронной сети

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.

Оценка сопоставимости результатов морфометрического исследования респондентами и программным алгоритмом

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

Заключение

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.