Neural network analysis of histological images of non-neoplastic liver lesions: a review

Cover Image


Cite item

Full Text

Abstract

This review is devoted to the application of neural network models for the analysis of histological images in non-neoplastic liver diseases, with a focus on the technical aspects of model development and training. The relevance of this work is due to the growing interest in applying neural networks and computer vision for research and diagnostic tasks related to microscopic morphology. Although this disease group does not lose its clinical significance, and the importance of microscopic verification of morphological changes, the application of artificial intelligence in this field remains limited and fragmented.

The review systematizes available annotated datasets of liver histological images, applied neural network architectures, image preprocessing approaches, and training strategies. It also examines the loss functions used and other key technical aspects of neural network development. It is shown that, although the contribution of such models to the automation and standardization of the morphological assessment appears promising, their practical implementation is constrained by the limited publicly available annotated data, the high labor intensity of annotation, and insufficient standardization of methodological approaches. It is noted that multimodal data, integrating histological images with clinical, biochemical, or radiological parameters, is of great clinical interest; however, it is currently rare.

Most studies utilize universal neural network architectures, while models fine-tuned to work with microscopic features and liver morphology are applied much less commonly. The analysis of published studies has shown that weakly supervised learning can be sufficient for model development and, in combination with significantly lower annotation costs, offers substantial potential for further development. At the same time, a considerable proportion of studies describe methodologies with limited reproducibility.

Full Text

ВВЕДЕНИЕ

Неопухолевые заболевания печени, включая воспалительные и дегенеративные процессы, представляют значимую клинико-диагностическую проблему, требующую точной морфологической верификации [1–3]. Гистологическое исследование остаётся «золотым стандартом» диагностики и токсикологических исследований, однако его проведение требует высокой квалификации специалиста и характеризуется вариативностью интерпретации.

В последние годы возрастает интерес к применению моделей искусственного интеллекта, в частности свёрточных нейросетей, для анализа гистологических изображений [4, 5]. По нашему мнению, такие методы открывают перспективы автоматизации диагностики, повышения воспроизводимости оценок и количественной обработки морфологических паттернов. Несмотря на успехи в онкопатологии [6], применение методов компьютерного зрения и искусственного интеллекта к анализу микроскопических изображений при неопухолевых поражениях, в том числе печени, остаётся ограниченным и требует систематизации. Для патологии печени проведение объективной количественной оценки поражения органа может позволить выявлять патологические изменения на ранних стадиях, что ценно как для диагностики и определения тактики лечения конкретного пациента, так и для токсикологических исследований, в частности в фармацевтической промышленности [7, 8].

Настоящая работа представляет обзор современных подходов к использованию нейросетевых моделей морфометрии неопухолевых патологических изменений в печени. Особое внимание уделено характеристикам гистологии печени, доступным наборам данных, методам предобработки изображений, стратегиям обучения и типовым архитектурам моделей.

МЕТОДОЛОГИЯ ПОИСКА ДАННЫХ

Для поиска релевантных статей использовали поисковые системы Google Scholar и PubMed. Для каждой из них составлен схожий поисковый запрос:

  • ["Artificial Intelligence" OR "Machine Learning" OR "Deep Learning"] AND [Liver] AND [Histology OR Microscopy OR Histopathology OR Histological] AND [Inflammatory OR Degenerative OR Hepatitis OR Cirrhosis OR Fibrosis];
  • ["Artificial Intelligence"[Title/Abstract] OR "Machine Learning"[Title/Abstract] OR "Deep Learning"[Title/Abstract]] AND ["Liver"[Title/Abstract]] AND ["Histology"[Title/Abstract] OR "Microscopy"[Title/Abstract] OR "Histopathology"[Title/Abstract] OR "Histological"[Title/Abstract]] AND ["Inflammatory"[Title/Abstract] OR "Degenerative"[Title/Abstract] OR "Hepatitis"[Title/Abstract] OR "Cirrhosis"[Title/Abstract] OR "Fibrosis"[Title/Abstract]].

Глубина поиска составила 8 лет (с 01 января 2018 по 01 января 2026 г.). В результате первичного отбора найдено 187 публикаций. После исключения дублирующих работ и анализа аннотаций список сокращён до 63 источников.

На следующем этапе из выборки мы исключили обзорные публикации и статьи, где методы искусственного интеллекта использовали для исследовательских целей, но сами не являлись объектом разработки или детального анализа. В результате итоговый набор включал 31 публикацию (Приложение 1). Обзорные публикации применяли для верификации полноты источников и поиска общедоступных наборов данных.

ПРИЗНАКИ, ИСПОЛЬЗУЕМЫЕ ДЛЯ АНАЛИЗА

Гистоархитектоника печени характеризуется преобладанием одного клеточного типа — гепатоцитов, что подразумевает использование меньших ресурсов для обучения модели на однотипных данных. Однако сами клетки под воздействием различных факторов могут изменяться в значительной степени.

Изменения в ткани печени, как правило, имеют градиентный характер, обусловленный анатомической организацией печёночной дольки. Так, при токсических поражениях более выраженные изменения наблюдают в гепатоцитах, прилегающих к портальному тракту [9], тогда как дистрофические процессы, вызванные гипоксией или дефицитом питательных веществ, первично затрагивают центральные зоны, вокруг центральных вен [10]. Визуализация зональности при холестазе: более интенсивное окрашивание гепатоцитов вблизи центральных вен обусловлено преимущественным накоплением в них желчных пигментов представлена на (рис. 1).

 

Рис. 1. Визуализация зональности при холестазе.

 

Среди наиболее значимых признаков, традиционно оцениваемых при диагностике неопухолевых поражений печени, выделяют [11, 12]:

  • жировую и баллонную дистрофию;
  • некроз гепатоцитов;
  • воспалительную инфильтрацию (представленную лимфоцитами, нейтрофилами и эозинофилами);
  • фиброз — замещение паренхимы соединительной тканью, приводящее к утрате функции органа.

Эти признаки возможно наблюдать в одном микропрепарате, что, в свою очередь, обусловливает формирование комплексных морфологических паттернов. Для стандартизации оценки таких изменений применяют полуколичественные шкалы: NAS [NAFLD (Nonalcoholic Fatty Liver Disease) Active Score] [12], METAVIR (Meta-analysis of Histological Data in Viral Hepatitis) [11], Ishak [13] и др. Их широко используют как в клинической диагностике, так и в научных исследованиях.

Таким образом, наличие доминирующего клеточного типа с определённым спектром морфологических изменений делает гистологию печени перспективной областью для алгоритмов машинного зрения. По нашему мнению, основными техническими вызовами при этом являются градиентное распределение изменений, их сочетанность и неоднородность в пределах микроскопического препарата, что требует разработки моделей, способных учитывать пространственные зависимости и локальные контексты.

ОТКРЫТЫЕ АННОТИРОВАННЫЕ НАБОРЫ ДАННЫХ

Обучение нейронных сетей для анализа гистологических изображений требует больших объёмов качественно размеченных данных. Существующие наборы микроскопических данных значительно уступают как общим наборам данных, в которых миллионы изображений объединены в десятки или сотни классов [14, 15], так и большим медицинским наборам [5, 16].

Например, открытый набор данных TCGA содержит более 11 тыс. записей, из которых около 1500 относятся к опухолям печени, однако микроскопические данные представлены всего 377 изображениями-микропрепаратами1. Другой набор данных PAIP 2019 [17] включает 100 изображений, аннотированных по двум классам.

Для неопухолевой патологии печени доступность данных также ограничена: нам удалось найти только четыре аннотированных набора данных. Так, F. Heinemann и соавт. [18, 19] опубликовали два набора данных из 467 и 258 микроскопических изображений печени с оценкой морфологом всего микропрепарата [18] либо отдельных тайлов с использованием полуколичественной шкалы NAS [19]. Крупный набор данных Open TG-GATEs [20], содержащий более 25 тыс. цифровых микропрепаратов печени, также аннотирован на уровне микропрепаратов и его невозможно использовать для количественной оценки. Только в одном исследовании найден набор данных, позволяющий обучать модели для решения задачи сегментации [7]. Он состоит из небольшого количества микропрепаратов (n = 36), однако при этом в нём аннотированы отдельные гепатоциты с жировым перерождением. Это позволяет проводить количественную оценку, но только одного варианта патологически изменённых гепатоцитов.

Таким образом, очень малый объём аннотированных наборов данных ограничивает проведение исследований с использованием нейросетевых алгоритмов для анализа неопухолевых поражений печени. Именно поэтому при разработке нейросетевых моделей с высокой степенью вероятности исследовательскому коллективу необходимо самостоятельно разрабатывать аннотированный набор данных и, соответственно, закладывать значительные ресурсы на его разметку.

МУЛЬТИМОДАЛЬНЫЕ ДАННЫЕ

Современные медицинские исследования опираются на широкий спектр диагностических методов, каждый из которых предоставляет информацию на разных уровнях. В связи с этим возрастающий интерес представляет разработка моделей, обученных на мультимодальных данных, которые интегрируют разнородные источники информации [16]. Такой подход особенно важен при анализе неопухолевой патологии печени, поскольку позволяет учитывать контекстные (биохимические, анамнестические и др.) параметры, связанные с морфологическими изменениями ткани [21, 22].

Несмотря на очевидные преимущества использования мультимодальных данных, примеры подобных исследований в области неопухолевых заболеваний печени остаются редкими. Так, базу данных Open TG-GATEs [20], объединяющую гистологические изображения, молекулярные профили и клинические показатели, теоретически возможно использовать для разработки комплексных моделей, однако этот набор применяли только в одном из найденных исследований, при этом без использования его контекстных возможностей [23]. Всего в двух публикациях авторы сравнивали и продемонстрировали эффективность использования комплексных моделей, объединив гистологические данные с результатами других исследований [21, 22].

Так, J. Bosch и соавт. [21] установили, что интеграция гистологических данных с градиентом давления в воротной вене повышает точность оценки портальной гипертензии у пациентов с циррозом печени. Включение биохимических показателей в модель привело к повышению площади под характеристической кривой (Area Under the Curve, AUC) по сравнению с моделью, основанной только на гистологических данных, с 0,76 до 0,85.

A. Jana и соавт. [22] предложили методику, в которой для оценки фиброза и активности неалкогольной жировой болезни печени использовали как гистологические данные, так и изображения компьютерной томографии печени. Результаты продемонстрировали повышение значения AUC на 2–14% по сравнению с моделями, основанными исключительно на гистологических данных, и на 20–40% по сравнению с моделями, использующими только изображения компьютерной томографии. Для комбинации разнородных данных авторы использовали различные подходы и пришли к выводу, что объединение признаков с использованием подхода Mid-Fusion и единая функция потерь (Single-Loss) обеспечивают более высокую точность классификации за счёт более информативных локальных признаков и согласованного обучения всех модальностей.

Эти результаты подтверждают, что комбинированные модели способны повысить точность диагностики. Несмотря на очевидные преимущества интеграции разнородных данных, остаются нерешёнными вопросы, связанные с выбором оптимальных методов объединения информации из различных источников и необходимостью стандартизации подходов к разметке данных. Поиск таких решений с учётом особенностей неопухолевой патологии печени требует дальнейших исследований.

МЕТОДЫ ОБРАБОТКИ ИЗОБРАЖЕНИЙ

В современной патологической анатомии наборы данных представлены цифровыми изображениями микропрепаратов c высоким разрешением, что обеспечивает детализированное отображение структур тканей и клеток. Однако большой размер изображений, называемых гигапиксельными, создаёт значительные трудности при обучении глубоких нейронных сетей из-за аппаратных требований [5, 24–26].

Стандартным подходом является разделение снимков на фрагменты («патчи»), его используют почти во всех исследованиях. Сравнительный анализ производительности моделей U-Net, обученных на полных изображениях уменьшенного размера и наборах патчей с различными размерами и степенью перекрытия показал, что нейронные сети, обученные на патчах, достигают уровня качества, сопоставимого с моделями, обученными на полноразмерных изображениях, при этом обладая существенно меньшими аппаратными требованиями [27].

В изученных публикациях информация о размере патчей представлена в 24 исследованиях [7, 18, 19, 22, 23, 28–44] — показатель стороны квадрата в пикселях варьировал в диапазоне от 60 [3] до 1024 [30, 33], однако в большинстве исследований оставался в пределах 200–300 пикселей.

Как упомянуто выше, объём гистопатологических наборов данных ограничен, поэтому одним из технических решений наполнения учебного набора данными является аугментация. Среди рассмотренных исследований только в тринадцати указаны используемые методы аугментации:

  • повороты на 90° [7, 19, 29, 34–36, 40, 45–47];
  • горизонтальные и вертикальные отражения [7, 19, 40, 44, 47];
  • изменения цвета [33, 40, 42];
  • масштабирование [21];
  • изменение яркости [21, 29, 34–36, 40, 45–47].

При этом деформирующие методы аугментации в изученных работах не применяли.

Таким образом, не менее 1/3 изученных публикаций не содержат достаточную информацию о методах обработки данных, что затрудняет воспроизводимость результатов и сравнительный анализ эффективности различных подходов.

МЕТОДЫ ОБУЧЕНИЯ

Выбор метода обучения определяется наличием размеченных данных и спецификой диагностической задачи. В рассмотренных исследованиях чаще других используют обучение с учителем. Преимущественно это ручная аннотация фрагментов изображений специалистами: присваивание меток тайлам или выделение зон с последующим разделением на тайлы [7, 18, 28, 29, 32–36, 44, 46–49]. Кроме того, широко используют дополнительные методы окрашивания: гистохимические [8, 18, 19, 21, 28, 30, 31, 36, 49–51] или иммуногистохимические [21, 44, 48, 52]. Специальные методы окрашивания за счёт цветового контраста позволяют точно идентифицировать структуры, обеспечивая высокую точность моделей, в отдельных исследованиях достигающую 100% [48, 49]. Однако наличие такого цветового выделения при использовании специальных методов окрашивания, включая иммуногистохимический, позволяет идентифицировать объекты и без использования ресурсоёмких нейросетевых моделей.

Присваивание общей метки одного микропрепарата ко всем полученным от него изображениям (слабое обучение) упомянуто в десяти публикациях [19, 22, 23, 31, 39, 41, 42, 49, 50, 52]. Таким образом, в 1/3 исследований использовали подход, при котором ресурсы на аннотирование микропрепаратов минимизируют за счёт использования рутинного клинического заключения или диагноза. Количество микропрепаратов в этих работах варьировало от 30 [22] до 1277 [23], медиана — 209 микропрепаратов. Точность таких моделей варьировала от 86 до 94% [19, 31, 45].

Обучение с учителем остаётся наиболее распространённым подходом при построении моделей. Однако его применение ограничено высокими затратами на разметку. В свою очередь, использование слабо контролируемого обучения выглядит перспективно, поскольку снижает потребность в детальной аннотации, сохраняя высокую точность при относительно небольшом объёме данных.

ФУНКЦИИ ПОТЕРЬ

Функция потерь является важным компонентом обучения, обеспечивающим количественную оценку ошибки модели, стабилизацию процесса оптимизации и снижение риска переобучения. Наиболее часто используют Dice Loss, Cross-Entropy Loss и IoU (Jaccard) Loss, оценивающие степень соответствия между предсказанной и истинной масками, при этом на несбалансированных наборах данных целесообразно применять Focal Loss или Tversky Loss [53].

В ходе анализа публикаций выявлено, что 12 авторских коллективов не указали использованные функции потерь [8, 21, 23, 39, 43, 46–50, 52, 54]. В 16 публикациях [7, 19, 22, 28, 29, 31, 32, 34–38, 40–42, 44] упомянуты Cross-Entropy и её модификации, в одной — функция MiniMax (для GAN) [30]. Кроме того, выявлены исследования с комбинированными функциями потерь: в одной работе использовали комбинацию Focal Loss и Tversky Loss [33], а в трёх исследованиях [29, 35, 36] применили комбинацию SmoothLoss, Softmax Cross-Entropy и Binary Cross-Entropy.

Хотя рассмотренные функции потерь демонстрируют высокую эффективность в задачах сегментации, имеются основания полагать, что выбор Cross-Entropy в качестве основной функции в большинстве исследований недостаточно обоснован. Имеются указания, что специализированные функции потерь могут обеспечивать более высокие результаты за счёт лучшего учёта дисбаланса классов [54]. При этом такие функции потерь, как Boundary Loss и Hausdorff Loss, несмотря на их потенциал, в задачах точного выделения границ объектов используют редко [50, 52], что требует дальнейшего изучения. Внедрение и тщательное исследование этих специализированных функций потерь представляется перспективным направлением, способным повысить точность моделей, особенно в сложных задачах сегментации микроскопических изображений, в частности печени.

АРХИТЕКТУРЫ НЕЙРОСЕТЕЙ

Выбор архитектуры нейросетевой модели является значимым аспектом при разработке алгоритмов для анализа микроскопических изображений. В задачах сегментации и классификации гистологических изображений применяют как универсальные архитектуры, включая U-Net, YOLO, R-CNN, так и специализированные модели, ориентированные на работу с медицинскими изображениями, например Virchow, PLIP [16]. Структура проанализированных публикаций по типам решаемых задач и выявляемым признакам представлена на рис. 2. Следует отметить, что в выборке преобладают исследования, посвящённые классификации, тогда как сегментация и детекция представлены меньшим числом работ.

 

Рис. 2. Структура проанализированных публикаций. Признаки, используемые для анализа: Ф — фиброз; Ж — жировое перерождение гепатоцитов; В — воспалительная инфильтрация; Б — баллонизация гепатоцитов; П — паренхима в целом; Н — некроз.

 

Архитектуру модели не раскрывали в пяти публикациях, в трёх из них использовали коммерческие сервисы, специализированные для нейросетевого анализа [48, 49, 52]. В остальных исследованиях наиболее часто для сегментации применяли R-CNN [29, 34–36, 46] и U-Net [7, 33, 47]. В задаче классификации чаще всего использовали ResNet [21, 22, 28, 31, 32, 40, 44] и Inception [18, 19, 21, 28].

Сравнение различных архитектур нейросетевых моделей выполнено в трёх исследованиях [7, 36, 44]. Так, M. Roy и соавт. [7] использовали стандартные модели FCN и DeepLab и сравнивали их с собственными комплексными архитектурами, преимущественно построенными на основе U-Net. В свою очередь, J.H. Hwang и соавт. [36] применяли модели Mask R-CNN, SSD и DeepLab, тогда как B. Li и соавт. [44] сравнивали трансформерные архитектуры с ResNet. Тем не менее ни в одном исследовании не удалось получить однозначных результатов с превосходством по всем параметрам только одной архитектуры.

Описанные выше наблюдения позволяют сделать выводы, что для верификации неопухолевых поражений печени преимущественно используют универсальные свёрточные нейросетевые модели, прошедшие предварительное обучение на крупных наборах данных и дообученные на данных конкретного исследования. По нашему мнению, отсутствие специализированных моделей в данной области может быть обусловлено преобладанием практики адаптации существующих архитектур. Работы, которые сравнивали бы эффективность различных архитектур, немногочисленны и не позволяют делать однозначных выводов. Кроме того, отсутствуют исследования, в которых в качестве базовой архитектуры использовали бы специализированные модели для микроскопических изображений. Именно поэтому оценить эффективность такого подхода применительно к неопухолевой патологии печени в настоящее время не представляется возможным. Дальнейшие работы в данном направлении могли бы быть ориентированы на разработку и адаптацию специализированных архитектур с учётом особенностей микроскопических изображений гистологических препаратов печени.

Необходимо отметить, что для решения некоторых задач: верификация фиброза и жирового перерождения, — существует большое количество исследований с использованием традиционных алгоритмов, которые могут иметь сопоставимую эффективность [55]. Именно поэтому предполагается, что для этих задач следует ожидать отказ от нейросетевых алгоритмов в пользу традиционных, поскольку последние менее требовательны к ресурсам при сопоставимой эффективности.

ЗАКЛЮЧЕНИЕ

Применение нейросетевых моделей для анализа микроскопических изображений при неопухолевых заболеваниях печени обладает значительным потенциалом. Вместе с тем существуют системные ограничения, препятствующие широкому внедрению таких подходов для решения практических задач в исследовательской и клинической работе. В частности, остаётся актуальной задача формирования масштабных, стандартизированных и качественно размеченных наборов данных. Открытые наборы данных, охватывающие неопухолевые патологии печени, являются единичными и ограничены как по объёму, так и по глубине аннотации. Это сдерживает развитие моделей с высокой прогностической точностью и подчёркивает актуальность таких направлений, как синтетическая генерация данных, аугментация и интеграция разнородных источников. Кроме того, в большинстве исследований используют универсальные архитектуры свёрточных нейронных сетей, предварительно обученные на нерелевантных задачах, что, вероятно, связано с практикой трансфера обучения. Ограниченное применение специализированных решений, адаптированных к микроскопическому изображению или к морфологическим особенностям печени, может являться отрицательным фактором при разработке моделей.

Доминирующим подходом остаётся обучение с учителем, однако его применение требует значительных ресурсов для аннотирования данных. В свою очередь, использование слабого обучения представляется перспективным направлением, способным снизить зависимость от полной разметки, однако оно имеет ограниченные возможности для точной количественной оценки на клеточном уровне.

Следует отметить, что интеграция комплексной информации, включая клинические, биохимические и радиологические параметры, позволяет существенно повысить точность моделей. Тем не менее мультимодальные подходы при изучении неопухолевых заболеваний печени до настоящего времени применяют эпизодически, что указывает на значительный нереализованный потенциал данного направления.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

Приложение 1. Резюме основных характеристик, рассмотренных в обзоре. doi: 10.17816/DD697955-4410973.

Вклад авторов. А.А. Меликбекян — сбор и анализ литературных данных, написание черновика рукописи, пересмотр и редактирование текста рукописи, оформление графических материалов; А.М. Борбат — концепция, научное руководство, поиск и анализ литературы, написание черновика рукописи, пересмотр и редактирование текста рукописи; Т.О. Новикова — составление и редактирование базы данных, поиск и анализ литературы, написание черновика рукописи, пересмотр рукописи, составление и редактирование списка литературы. Авторы одобрили рукопись (версию для публикации), а также согласились нести ответственность за все аспекты настоящей работы, гарантируют надлежащее рассмотрение и решение вопросов, связанных с точностью и добросовестностью любой её части.

Этическая экспертиза. Неприменимо.

Источники финансирования. Отсутствуют.

Раскрытие интересов. Авторы заявляют об отсутствии отношений, деятельности и интересов за последние три года, связанных с третьими лицами (коммерческими и некоммерческими организациями), интересы которых могут быть затронуты содержанием статьи.

Оригинальность. При создании настоящей работы авторы не использовали ранее опубликованные сведения (текст, иллюстрации, данные).

Доступ к данным. Все данные, полученные в настоящем исследовании, доступны в статье и в Приложении 1 к ней.

Генеративный искусственный интеллект. При создании настоящей статьи технологии генеративного искусственного интеллекта не использовали.

Рассмотрение и рецензирование. Настоящая работа подана в журнал в инициативном порядке и рассмотрена по обычной процедуре. В рецензировании участвовали один внешний рецензент и научный редактор издания.

ADDITIONAL INFORMATION

Supplement 1: Summary of the main characteristics reviewed in the article. doi: 10.17816/DD697955-4410974.

Author contributions: A.A. Melikbekyan: investigation, writing — original draft, writing — review & editing, visualization; A.M. Borbat: conceptualization, supervision, investigation, writing — original draft, writing — review & editing; T.O. Novikova: data curation, investigation, writing — original draft, writing — review & editing. All the authors approved the version of the manuscript to be published and agreed to be accountable for all aspects of the work, ensuring that questions related to the accuracy or integrity of any part of the work are appropriately investigated and resolved.

Ethics approval: Not applicable.

Funding sources: No funding.

Disclosure of interests: The authors have no relationships, activities, or interests for the last three years related to for-profit or not-for-profit third parties whose interests may be affected by the content of the article.

Statement of originality: No previously obtained or published material (text, images, or data) was used in this study or article.

Data availability statement: All data obtained in this study are available in the article and its supplementary material.

Generative AI: No generative artificial intelligence technologies were used to prepare this article.

Provenance and peer-review: This article was submitted unsolicited and reviewed following the standard procedure. The peer-review process involved one external reviewer and the in-house science editor.

1 Erickson BJ, Kirk S, Lee Y, et al. Radiology Data from The Cancer Genome Atlas Liver Hepatocellular Carcinoma Collection [Data Set]. The Cancer Imaging Archive. 2016. doi: 10.7937/K9/TCIA.2016.IMMQW8UQ. Дата обращения: 01.05.2026.

×

About the authors

Ashot A. Melikbekyan

Financial University under the Government of the Russian Federation

Email: melikbekyan.ashot@yandex.ru
ORCID iD: 0009-0003-6470-4891
SPIN-code: 8683-6870
Russian Federation, Moscow

Artyom M. Borbat

Pathologie Spandau

Email: aborbat@yandex.ru
ORCID iD: 0000-0002-9699-8375
SPIN-code: 8948-9169
Germany, Berlin

Tatiana O. Novikova

Laboratoires de Génie

Author for correspondence.
Email: tn.path1910@yandex.ru
ORCID iD: 0000-0002-1686-5629
SPIN-code: 9993-9645

MD, Cand. Sci. (Medicine)

Russian Federation, Moscow

References

  1. Ivashkin VT, Maevskaya MV, Zharkova MS, et al. Clinical practice guidelines of the Russian Scientific Liver Society, Russian Gastroenterological Association, Russian Association of Endocrinologists, Russian Association of Gerontologists and Geriatricians and National Society for Preventive Cardiology on diagnosis and treatment of non-alcoholic liver disease. Russian Journal of Gastroenterology, Hepatology, Coloproctology. 2022;32(4):104–140. doi: 10.22416/1382-4376-2022-32-4-104-140 EDN: EXTLXM
  2. Ivashkin VT, Maevskaya MV, Zharkova MS, et al. Clinical recommendations of the Russian Scientific Liver Society and Russian Gastroenterological Association on diagnosis and treatment of liver fibrosis, cirrhosis and their complications. Russian Journal of Gastroenterology, Hepatology, Coloproctology. 2021;31(6):56–102. doi: 10.22416/1382-4376-2021-31-6-56-102 EDN: GMKWTQ
  3. Kurbatsky SM. Does gastroenterology need artificial intelligence? Russian Journal of Gastroenterology, Hepatology, Coloproctology. 2022;31(6):103–105. doi: 10.22416/1382-4376-2021-31-6-103-105 EDN: YKECFX
  4. Pushkar DY, Khodyreva LA, Govorov AV, et al. Data Science – deep learning of neural networks and their application in healthcare. City Healthcare. 2021;2(2):109–115. doi: 10.47619/2713-2617.zm.2021.v2i2;109-115 EDN: SGWBPD
  5. Borbat AM. Neural networks for morphological diagnostics. Clinical and Experimental Morphology. 2020;9(2):11–15. doi: 10.31088/CEM2020.9.2.11-15 EDN: QNXGSR
  6. Shafi S, Parwani AV. Artificial intelligence in diagnostic pathology. Diagnostic Pathology. 2023;18(1):109. doi: 10.1186/s13000-023-01375-z EDN: WUSHTU
  7. Roy M, Wang F, Vo H, et al. Deep-learning-based accurate hepatic steatosis quantification for histological assessment of liver biopsies. Laboratory Investigation. 2020;100(10):1367–1383. doi: 10.1038/s41374-020-0463-y EDN: JRLXIF
  8. Arjmand A, Angelis CT, Christou V, et al. Training of deep convolutional neural networks to identify critical liver alterations in histopathology image samples. Applied Sciences. 2019;10(1):42. doi: 10.3390/app10010042
  9. Cunningham RP, Porat-Shliom N. Liver zonation – revisiting old questions with new technologies. Frontiers in Physiology. 2021;12:732929. doi: 10.3389/fphys.2021.732929 EDN: NDTIPQ
  10. Ronquillo N, Garcia-Buitrago MT. Decoding liver biopsies: a pattern-based approach. Diagnostic Histopathology. 2025;31(6):325–339. doi: 10.1016/j.mpdhp.2025.03.010 EDN: CEVQTM
  11. Bedossa P, Poynard T. An algorithm for the grading of activity in chronic hepatitis C. Hepatology. 1996;24(2):289–293. doi: 10.1002/hep.510240201
  12. Kleiner DE, Brunt EM, Van Natta M, et al. Design and validation of a histological scoring system for nonalcoholic fatty liver disease. Hepatology. 2005;41(6):1313–1321. doi: 10.1002/hep.20701
  13. Krishna M. Histological grading and staging of chronic hepatitis. Clinical Liver Disease. 2021;17(4):222–226. doi: 10.1002/cld.1014 EDN: NEQGTM
  14. Kuznetsova A, Rom H, Alldrin N, et al. The Open Images Dataset V4. International Journal of Computer Vision. 2020;128(7):1956–1981. doi: 10.1007/s11263-020-01316-z EDN: WCGVFB
  15. Deng J, Dong W, Socher R, et al. ImageNet: A large-scale hierarchical image database. In: 2009 IEEE Conference on Computer Vision and Pattern Recognition. Miami: IEEE; 2009. P. 248–255. doi: 10.1109/cvpr.2009.5206848
  16. Ochi M, Komura D, Ishikawa S. Pathology foundation models. JMA Journal. 2025;8(1):121–130. doi: 10.31662/jmaj.2024-0206 EDN: SFXRQU
  17. Kim YJ, Jang H, Lee K, et al. PAIP 2019: Liver cancer segmentation challenge. Medical Image Analysis. 2021;67:101854. doi: 10.1016/j.media.2020.101854 EDN: FHBYEK
  18. Heinemann F, Gross P, Zeveleva S, et al. Deep learning-based quantification of NAFLD/NASH progression in human liver biopsies. Scientific Reports. 2022;12(1):19236. doi: 10.1038/s41598-022-23905-3 EDN: MRKSDP
  19. Heinemann F, Birk G, Stierstorfer B. Deep learning enables pathologist-like scoring of NASH models. Scientific Reports. 2019;9(1):1–10. doi: 10.1038/s41598-019-54904-6 EDN: EDWDDY
  20. Igarashi Y, Nakatsu N, Yamashita T, et al. Open TG-GATEs: a large-scale toxicogenomics database. Nucleic Acids Research. 2014;43(D1):D921–D927. doi: 10.1093/nar/gku955
  21. Bosch J, Chung C, Carrasco-Zevallos OM, et al. A machine learning approach to liver histological evaluation predicts clinically significant portal hypertension in NASH cirrhosis. Hepatology. 2021;74(6):3146–3160. doi: 10.1002/hep.32087 EDN: TBAWLW
  22. Jana A, Qu H, Rattan P, et al. Deep learning based NAS score and fibrosis stage prediction from CT and pathology data. In: 2020 IEEE 20th International Conference on Bioinformatics and Bioengineering (BIBE). Cincinnati: IEEE; 2020. P. 981–986. doi: 10.1109/bibe50027.2020.00166
  23. Puri M. Automated machine learning diagnostic support system as a computational biomarker for detecting drug-induced liver injury patterns in whole slide liver pathology images. ASSAY and Drug Development Technologies. 2020;18(1):1–10. doi: 10.1089/adt.2019.919 EDN: PZAYLW
  24. Janowczyk A, Madabhushi A. Deep learning for digital pathology image analysis: A comprehensive tutorial with selected use cases. Journal of Pathology Informatics. 2016;7(1):29. doi: 10.4103/2153-3539.186902 EDN: YFGJPV
  25. Kandel I, Castelli M. The effect of batch size on the generalizability of the convolutional neural networks on a histopathology dataset. ICT Express. 2020;6(4):312–315. doi: 10.1016/j.icte.2020.04.010 EDN: UENNRQ
  26. Borbat AM, Lishchuk SV. The first Russian breast pathology histologic images data set. Medical Doctor and IT. 2020;(3):25–30. doi: 10.37690/1811-0193-2020-3-25-30 EDN: RBLTUN
  27. Williams Jr DKA, Graifman G, Hussain N, et al. Digital pathology, deep learning, and cancer: a narrative review. Translational Cancer Research. 2024;13(5):2544–2560. doi: 10.21037/tcr-23-964 EDN: QFGVDF
  28. Taylor-Weiner A, Pokkalla H, Han L, et al. A machine learning approach enables quantitative measurement of liver histology and disease monitoring in NASH. Hepatology. 2021;74(1):133–147. doi: 10.1002/hep.31750 EDN: JQEBBT
  29. Baek EB, Hwang JH, Park H, et al. Artificial intelligence-assisted image analysis of acetaminophen-induced acute hepatic injury in sprague-dawley rats. Diagnostics. 2022;12(6):1478. doi: 10.3390/diagnostics12061478 EDN: NVUYFC
  30. Naglah A, Khalifa F, El-Baz A, Gondim D. Conditional GANs based system for fibrosis detection and quantification in Hematoxylin and Eosin whole slide images. Medical Image Analysis. 2022;81:102537. doi: 10.1016/j.media.2022.102537 EDN: FTOHBE
  31. Qu H, Minacapelli CD, Tait C, et al. Training of computational algorithms to predict NAFLD activity score and fibrosis stage from liver histopathology slides. Computer Methods and Programs in Biomedicine. 2021;207:106153. doi: 10.1016/j.cmpb.2021.106153 EDN: VZIOAF
  32. Sulyok M, Luibrand J, Strohäker J, et al. Implementing deep learning models for the classification of Echinococcus multilocularis infection in human liver tissue. Parasites & Vectors. 2023;16(1):29. doi: 10.1186/s13071-022-05640-w EDN: SUNVTS
  33. Ramot Y, Deshpande A, Morello V, et al. Microscope-based automated quantification of liver fibrosis in mice using a deep learning algorithm. Toxicologic Pathology. 2021;49(5):1126–1133. doi: 10.1177/01926233211003866 EDN: ORWPSE
  34. Hwang JH, Kim HJ, Park H, et al. Implementation and practice of deep learning-based instance segmentation algorithm for quantification of hepatic fibrosis at whole slide level in sprague-dawley rats. Toxicologic Pathology. 2021;50(2):186–196. doi: 10.1177/01926233211057128 EDN: UVMNUH
  35. Baek EB, Lee J, Hwang JH, et al. Application of multiple-finding segmentation utilizing Mask R-CNN-based deep learning in a rat model of drug-induced liver injury. Scientific Reports. 2023;13(1):17555. doi: 10.1038/s41598-023-44897-8 EDN: OBHXFO
  36. Hwang JH, Lim M, Han G, et al. Segmentation algorithm can be used for detecting hepatic fibrosis in SD rat. Laboratory Animal Research. 2023;39(1):16. doi: 10.1186/s42826-023-00167-2 EDN: GZLDOM
  37. Yu Y, Wang J, Ng CW, et al. Deep learning enables automated scoring of liver fibrosis stages. Scientific Reports. 2018;8(1):1–10. doi: 10.1038/s41598-018-34300-2 EDN: PWYNUB
  38. Zingman I, Stierstorfer B, Lempp C, Heinemann F. Learning image representations for anomaly detection: Application to discovery of histological alterations in drug development. Medical Image Analysis. 2024;92:103067. doi: 10.1016/j.media.2023.103067 EDN: UDLPMJ
  39. Gerussi A, Saldanha OL, Cazzaniga G et al. Deep learning helps discriminate between autoimmune hepatitis and primary biliary cholangitis. JHEP Reports: Innovation in Hepatology. 2024;7(2):101198. doi: 10.1016/j.jhepr.2024.101198 EDN: RESQRS
  40. Ko SM, Shin J, Hong Y, et al. Deep learning-based method for grading histopathological liver fibrosis in rodent models of metabolic dysfunction-associated steatohepatitis. Frontiers in Medicine. 2025;12:1629036. doi: 10.3389/fmed.2025.1629036 EDN: GHFZOA
  41. Shabanian M, Taylor Z, Woods C, et al. Liver fibrosis classification on trichrome histology slides using weakly supervised learning in children and young adults. Journal of Pathology Informatics. 2025;16:100416. doi: 10.1016/j.jpi.2024.100416 EDN: EAZVWE
  42. Nakatsuka T, Tateishi R, Sato M, et al. Deep learning and digital pathology powers prediction of HCC development in steatotic liver disease. Hepatology. 2024;81(3):976–989. doi: 10.1097/HEP.0000000000000904 EDN: STZUDU
  43. Cazzaniga G, L’Imperio V, Bonoldi E, et al. Automating liver biopsy segmentation with a robust, open-source tool for pathology research: the HOTSPoT model. NPJ Digital Medicine. 2025;8(1):455. doi: 10.1038/s41746-025-01870-1 EDN: EYTRNG
  44. Li B, He Q, Chang J, et al. Toward efficient slide-level grading of liver biopsy via explainable deep learning framework. Medical & Biological Engineering & Computing. 2025;63(5):1435–1449. doi: 10.1007/s11517-024-03266-x EDN: TCKEQZ
  45. Aatresh AA, Alabhya K, Lal S, et al. LiverNet: efficient and robust deep learning model for automatic diagnosis of sub-types of liver hepatocellular carcinoma cancer from H&E stained liver histopathology images. International Journal of Computer Assisted Radiology and Surgery. 2021;16(9):1549–1563. doi: 10.1007/s11548-021-02410-4 EDN: OJMODY
  46. Hwang JH, Lim M, Han G, et al. Preparing pathological data to develop an artificial intelligence model in the nonclinical study. Scientific Reports. 2023;13(1):3896. doi: 10.1038/s41598-023-30944-x EDN: TACKEA
  47. Pischon H, Mason D, Lawrenz B, et al. Artificial intelligence in toxicologic pathology: quantitative evaluation of compound-induced hepatocellular hypertrophy in rats. Toxicologic Pathology. 2021;49(4):928–937. doi: 10.1177/0192623320983244 EDN: HXOFII
  48. Sjöblom N, Boyd S, Manninen A, et al. Chronic cholestasis detection by a novel tool: automated analysis of cytokeratin 7-stained liver specimens. Diagnostic Pathology. 2021;16(1):1–12. doi: 10.1186/s13000-021-01102-6 EDN: YGONZK
  49. Ercan C, Kordy K, Knuuttila A, et al. A deep-learning-based model for assessment of autoimmune hepatitis from histology: AI(H). Virchows Archiv. 2024;485(6):1095–1105. doi: 10.1007/s00428-024-03841-5 EDN: TLAMKC
  50. Preechathammawong N, Charoenpitakchai M, Wongsason N, et al. Development of a diagnostic support system for the fibrosis of nonalcoholic fatty liver disease using artificial intelligence and deep learning. The Kaohsiung Journal of Medical Sciences. 2024;40(8):757–765. doi: 10.1002/kjm2.12850 EDN: LXBSFF
  51. Pérez-Sanz F, Riquelme-Pérez M, Martínez-Barba E, et al. Efficiency of machine learning algorithms for the determination of macrovesicular steatosis in frozen sections stained with sudan to evaluate the quality of the graft in liver transplantation. Sensors. 2021;21(6):1993. doi: 10.3390/s21061993 EDN: TWYHID
  52. Sjöblom N, Boyd S, Manninen A, et al. Automated image analysis of keratin 7 staining can predict disease outcome in primary sclerosing cholangitis. Hepatology Research. 2022;53(4):322–333. doi: 10.1111/hepr.13867 EDN: YBGSRL
  53. Jadon S. A survey of loss functions for semantic segmentation. In: 2020 IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB). Via del Mar: IEEE; 2020. P. 1–7. doi: 10.1109/cibcb48159.2020.9277638
  54. Ashour AS, Hawas AR, Guo Y. Comparative study of multiclass classification methods on light microscopic images for hepatic schistosomiasis fibrosis diagnosis. Health Information Science and Systems. 2018;6(1):1–12. doi: 10.1007/s13755-018-0047-z EDN: AUEQQI
  55. Arjmand A, Tsipouras MG, Tzallas AT, et al. Quantification of liver fibrosis — a comparative study. Applied Sciences. 2020;10(2):447. doi: 10.3390/app10020447 EDN: UOWQGU

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Supplement 1
Download (37KB)
Indexing metadata
3. Fig. 1. Visualization of zonal patterns in cholestasis.

Download (944KB)
Indexing metadata
4. Fig. 2. Breakdown of the analyzed publications. Criteria used for analysis: Ф — fibrosis; Ж — hepatic steatosis; В — inflammatory infiltration; Б — hepatocyte ballooning; П — parenchyma as a whole; Н — necrosis.

Download (186KB)
Indexing metadata

Copyright (c) 2026 Eco-Vector

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС 77 - 79539 от 09 ноября 2020 г.