MD, Cand. Sci. (Medicine)
канд. мед. наук
MD, Cand. Sci. (Medicine)
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.
Настоящий обзор посвящён применению нейросетевых моделей для анализа гистологических изображений при неопухолевых заболеваниях печени с фокусом на технические аспекты разработки и обучения моделей. Актуальность работы обусловлена возрастающим интересом к использованию нейросетевых моделей и методов компьютерного зрения для решения исследовательских и диагностических задач применительно к микроскопической морфологии. Несмотря на сохраняющуюся клиническую значимость этой группы заболеваний, а также важную роль микроскопической верификации морфологических изменений, применение методов искусственного интеллекта в данной области остаётся ограниченным и фрагментарным.
В обзоре систематизированы данные о доступных аннотированных наборах гистологических изображений печени, применяемых архитектурах нейросетевых моделей, подходах к предобработке изображений и стратегиям обучения, а также рассмотрены используемые функции потерь и другие ключевые технические аспекты разработки нейросетевых решений. Продемонстрировано, что, несмотря на высокий потенциальный вклад таких моделей в автоматизацию и стандартизацию морфологической оценки, их практическое внедрение сдерживается ограниченностью общедоступных размеченных данных, высокой трудоёмкостью аннотирования и недостаточной стандартизацией методологических подходов. Направление мультимодальных данных, объединяющих гистологические изображения с клиническими, биохимическими или радиологическими параметрами, представляет большой клинический интерес, однако в настоящее время встречается редко.
В большинстве исследований преобладает использование универсальных архитектур нейросетей, тогда как специализированные модели, ориентированные на особенности микроскопических данных и морфологию печени, применяют значительно реже. На основе анализа опубликованных исследований установлено, что слабое обучение с учителем может быть достаточно эффективным для разработки моделей, а в сочетании с существенно меньшими затратами на аннотирование обладает значительным потенциалом для дальнейшего развития. Одновременно выявлено, что в значительной доле работ описание методологии представлено на уровне, недостаточном для воспроизведения научного эксперимента.
本综述致力于应用神经网络模型分析非肿瘤性肝脏疾病的组织学图像，重点介绍了模型开发和训练的技术方面。本研究的现实意义在于人们对使用神经网络模型和计算机视觉方法解决显微形态学研究与诊断任务的兴趣日益增长。尽管这组疾病具有持续的临床意义，并且显微镜形态学验证发挥着重要作用，但人工智能方法在该领域的应用仍然有限且零散。
综述系统化了关于可用带标注的肝脏组织学图像数据集、应用的神经网络模型架构、图像预处理方法和训练策略的数据，并考察了使用的损失函数和其他关键技术开发方面。研究表明，尽管这些模型在形态学评估自动化和标准化方面具有巨大潜力，但其实际应用受到公开可用标注数据的限制、标注的高劳动强度以及方法学途径标准化不足的制约。多模态数据方向（结合组织学图像与临床、生化或放射学参数）具有重要的临床意义，但目前仍较少见。
大多数研究倾向于使用通用神经网络架构，而专门针对显微数据特点和肝脏形态学的专业模型应用显著较少。基于对已发表研究的分析确定，弱监督学习对于模型开发可能足够有效，并且结合显著减少的标注成本，具有巨大的进一步发展潜力。同时发现，在相当一部分工作中，方法学的描述水平不足以重现科学实验。