博文

Veterinary Sciences：让算法读病理切片——机器学习初判犬蛋白丢失性肠病治疗反应的新思路

已有 101 次阅读 2026-3-24 16:46 |个人分类:学术软文|系统分类:论文交流

研究背景

蛋白丢失性肠病 (Protein-Losing Enteropathy, PLE) 是犬类中一种严重的胃肠道疾病，其特征是蛋白质在通过肠道时异常丢失，这类疾病会引发低蛋白血症和多种并发症。该病的预后通常较差，约有50%的患病犬最终因此死亡。目前，PLE的治疗主要包括饮食疗法和免疫抑制剂治疗。研究表明，仅通过饮食治疗即可获得缓解的犬只，其长期生存率显著高于需联合使用免疫抑制剂治疗的病例。然而，在临床诊断初期，医生往往难以准确判断哪些病例对单纯饮食治疗有反应，哪些需要进一步联合使用免疫抑制剂。这种不确定性不仅影响治疗效果，也可能延误最佳治疗时机。

近年来，人工智能与机器学习技术在医学图像分析中展现出巨大应用潜力，尤其是在人类炎症性肠病 (Inflammatory Bowel Disease, IBD) 的诊断与预后预测方面取得了显著进展。基于这一背景，本研究首次尝试将迁移学习技术应用于犬类PLE的肠道组织图像分析，旨在通过数字化病理图像预测患病犬对治疗的反应类型，从而为临床医生提供更精准的治疗决策支持。

研究内容与结果

本研究为一项回顾性研究，共纳入了17只经确诊为PLE并完成4个月随访的犬只。这些犬只根据治疗反应被分为两组：食物反应型PLE (FR-PLE，n=7) 和免疫抑制剂反应型PLE (IR-PLE，n=10)。所有犬只在诊断初期均通过上消化道内镜获取了十二指肠活检组织样本，并经石蜡包埋、HE染色后制成病理切片。

研究团队使用全玻片扫描仪获取高分辨率数字图像，并采用Aachen协议对图像进行预处理，将其分割为512×512像素的图像块 (tiles)。为平衡数据，最终每组使用5085个图像块进行模型训练。研究采用了三种经典的卷积神经网络架构——MobileNetV2、InceptionV3和EfficientNetB7——作为预训练模型，并在其基础上构建了包含7个可训练层的自定义网络结构。模型训练过程中使用了Adam优化器，学习率初始设为0.0001，并在验证损失不再改善时动态调整。

在模型性能评估方面，研究采用了多种统计指标，包括准确率、精确率、召回率、F1分数以及受试者工作特征曲线下面积 (AUROC)。结果显示，三种模型中表现最佳的是InceptionV3，其在测试集上的准确率达到83.78%，AUROC为0.91，F1分数为0.83。这表明该模型在区分FR-PLE与IR-PLE方面具有较高的判别能力。

为进一步解释模型的决策依据，研究还生成了显著性图 (saliency maps)，用于可视化模型在分类过程中所关注的组织区域。结果显示，模型在判断图像属于FR-PLE或IR-PLE时，主要关注的是苏木精染色区域，尤其是肠腺隐窝结构，提示这些区域可能在预测治疗反应中具有重要生物学意义。

微信图片_2026-03-24_164450_388.png

图像预处理与模型训练流程

结论

本研究首次证实了基于迁移学习的机器学习方法在犬类PLE治疗反应预测中的可行性。通过分析诊断初期获取的十二指肠活检图像，模型能够以较高准确率区分出对单纯饮食治疗有反应的病例以及需要联合免疫抑制剂治疗的病例。这一成果为临床医生在疾病初期制定个性化治疗方案提供了有力的辅助工具，有望改善犬只的治疗效果与长期预后。

尽管本研究取得了初步成功，但仍存在一些局限性。首先，研究样本量较小，模型存在过拟合风险，未来需要通过多中心合作扩大样本量并进行外部验证。其次，显著性图所提示的关键区域需进一步组织学验证，以确认其生物学意义。此外，回顾性研究设计限制了治疗顺序的控制，部分IR-PLE病例是否对饮食治疗也有反应尚不明确。因此，前瞻性研究将是下一步工作的重点。

总之，机器学习技术在兽医胃肠道疾病领域的应用前景广阔。未来研究可进一步整合内镜图像与组织病理图像，构建多模态预测模型，以提升对犬类PLE等复杂疾病的诊断与治疗指导能力。