Врач-патологоанатом
This review explores the application of neural network models to the analysis of histological images in non-neoplastic liver diseases. It covers available datasets, model architectures, training strategies, and loss functions. While the potential of such approaches is high, their adoption is limited by the scarcity of annotated data, reliance on general-purpose architectures, labor-intensive annotation processes, and infrequent use of multimodal integration. Particular attention is given to preprocessing methods, data augmentation, and the prospects of weakly supervised learning. The review highlights the need for specialized architectures and standardized strategies for incorporating contextual information. It emphasizes the importance of advancing technical solutions that address liver-specific morphological patterns and diagnostic challenges beyond oncopathology.
Обзор посвящён применению нейросетевых моделей для анализа гистологических изображений при неопухолевых заболеваниях печени. Рассмотрены доступные датасеты, архитектуры моделей, стратегии обучения и используемые функции потерь. Показано, что несмотря на высокий потенциал таких решений, их внедрение сдерживается ограниченностью размеченных данных, преобладанием универсальных архитектур, высокой трудоёмкостью аннотирования и редким использованием многомодальных подходов. Особое внимание уделено методам предобработки изображений, аугментации, а также перспективам использования weakly supervised learning. Отмечена необходимость в специализированных архитектурах и стандартизированных методах интеграции контекстной информации. Работа подчёркивает значимость развития технических решений, учитывающих морфологические особенности печени и диагностические задачи за пределами онкопатологии.