基于深度学习的历史学评估模型的开发，用于研究大鼠关键尺寸骨缺损的愈合过程——一种客观的评估工具

《Bone》：Development of a deep learning-based histological evaluation model for critical-size bone defect healing in rats – an objective tool

人工智能辅助骨再生评估研究：开发基于U-Net的CNN模型实现病理切片的自动分割与愈合分级，AI评分与专家高度相关（Spearman r=0.819），在 Movat 五色染色切片中准确区分骨、软骨等五种组织并分类愈合阶段，显著优于学生评分且具有良好可重复性。

　　

J. Neijhoft|W. Virefléau|Y. Zhao|S. Bianconi|R. Verboket|C. Hoog Antink|I. Marzi|D. Henrich

德国法兰克福歌德大学创伤学与骨科系

摘要

引言

大鼠股骨中的关键尺寸缺损是临床前骨再生研究的成熟模型。组织学评估对于评估愈合情况至关重要，但仍然耗时且受观察者差异的影响。机器学习，特别是卷积神经网络（CNN），为组织学切片的客观和可扩展分析提供了潜力。

材料与方法

我们开发了一个改进的U-Net模型，用于基于Movat五色染色组织学切片（n = 669张）进行骨愈合阶段的语义分割和分类。手动标注了五种组织类型（骨、软骨、骨髓、肉芽组织、背景）以训练模型。数据被分为训练集（64%）、验证集（16%）和测试集（20%）。然后使用该模型对组织学图像进行分割和评分。此外，20张独立的测试图像由四位骨科专家、七名医学生和AI根据从-10到+10的改进骨愈合评分进行评分。

结果

该模型在分割性能上表现出色，尤其是在骨和背景方面。AI生成的愈合评分与专家评分有很强的相关性（Spearman r = 0.819，p < 0.0001），并且与学生评分的准确性相似（平均绝对偏差：AI = 0.468 vs. 学生 = 0.469；p = 0.5753）。ICC分析证实了AI与专家之间的一致性非常好（ICC = 0.820），并显示出AI优于学生的显著差异（bootstrap p = 0.0466）。

结论

本研究介绍了一种基于CNN的模型，其在骨愈合的组织学评估中能够达到专家水平的表现。它为未来的临床前应用提供了一种可重复且高效的工具。

引言

关键尺寸骨缺损（CSDs）是骨科和创伤手术中的一个基本挑战。这些缺损被定义为在生物体生命周期内不会自发愈合的骨不连续性，需要针对性干预来恢复生物力学完整性和生物功能[1]，[2]。临床前模型，特别是大鼠股骨的5毫米段缺损，已成为评估新治疗方法的标准程序[3]，[4]。这些方法包括骨替代物、干细胞疗法、生长因子和组织工程构建物。这些缺损的组织学评估是评估再生过程以及最终验证实验治疗效果的核心部分。

有多种评估骨愈合的方法。我们的标准协议遵循3Rs原则，并减少了所需动物的数量，如许多先前的研究[5]，[6]，[7]所述：临床评估、微CT、生物力学和组织学评估。临床评估清楚地表明，即使使用钢板固定，缺损也无法正常愈合。微CT和生物力学评估可以得出关于最终强度的非常可靠的结论，因此结构特性也被纳入机械评估中。组织学评估则提供了愈合失败的原因是组织质量的评估：

Movat五色染色提供了一种全面的技术，能够在单个切片中区分骨、软骨、骨髓和血管[8]。尽管其信息含量丰富，但手动分析此类组织学切片仍然耗时，并且容易受到观察者内部和观察者之间的差异影响。传统的半定量评分系统虽然广泛使用，但仍然具有主观性，可能无法捕捉到细微或空间异质性的再生模式[9]，[10]。

为了克服这些限制，人工智能（AI），特别是卷积神经网络（CNN），在生物医学图像分析中变得越来越重要。CNN是一类深度学习算法，在从图像数据中提取层次特征方面表现出色。其中，U-Net由于其编码器-解码器设计以及能够在有限训练数据下产生高分辨率输出的能力，已成为生物医学分割任务的首选架构[11]。

近年来，CNN已被应用于多种组织病理学任务，从兽医全切片评估[12]到肾脏活检分割[13]再到结直肠息肉分级[14]。Komura和Ishikawa对基于CNN的模型进行了全面回顾，强调了它们识别超出人类感知范围的复杂形态特征的能力[15]。

鉴于骨再生的复杂性和异质性，基于CNN的模型为自动化和标准化CSDs的组织学评估提供了独特的机会。这些模型可以执行多种组织类型的像素级分割，并整合空间和纹理信息以推断愈合结果。虽然在癌症病理学领域存在有前景的研究，但很少有模型针对骨愈合分析的特定需求进行了定制，特别是考虑到骨、软骨和纤维再生的多组分性质。

本研究通过开发和验证一个深度学习流程，用于自动评估大鼠股骨CSD模型中的Movat染色组织学切片，解决了这一空白。该模型旨在执行两个核心任务：

(1)

与骨愈合相关的五种关键组织类型的语义分割。

(2)

将骨缺损的总体愈合状态分为四个既定等级。

通过利用一个经过策划的手动标注图像数据集并修改经典的U-Net架构，本研究旨在为临床前骨再生研究建立一个可重复、客观和可扩展的评估框架。

部分摘录

组织学数据和标注

来自法兰克福歌德大学创伤外科科学实验室的8项先前研究[4]，[6]，[7]，[10]，[16]，[17]，[18]，[19]，共获得了752张Movat五色染色的大鼠股骨CSD组织学切片。使用了Keyence BZ9000数字显微镜（10倍放大，Keyence，大阪，日本）。经过严格的质量控制措施后，由于撕裂、感染或染色不足等问题，有83张切片被排除在外。最终的数据集

组织学图像的分割

U-Net模型的训练需要428张组织学图像（初始数据集的64%）进行分割和整理。总共生成了3345个二值掩码。这个数据集的手动创建使得深度学习模型能够进行可靠的像素级训练，并作为定量分割评估的基准。图2展示了一个完整分割的示例。

AI分割模型的验证性能

分割任务要求模型将图像的每个像素分配到五个等级中的一个

讨论

这项工作在自动化骨再生分析领域代表了重大进展。通过将定制的卷积神经网络应用于经过策划的组织学切片数据集，我们实现了可靠的分割和分类性能，用于评估关键尺寸骨缺损的愈合结果。Movat五色染色的使用，以其高度特异性区分结缔组织类型的能力，增强了模型区分

结论

我们提出了一个基于深度学习的系统，用于自动评估大鼠CSD模型中的骨愈合。通过强大的语义分割和分类，该模型促进了组织再生的快速和可重复评估。成功区分愈合良好和愈合不良的缺损为更全面的AI驱动评估流程奠定了基础，这些流程可能还包括额外的成像方式、功能数据和跨物种比较

CRediT作者贡献声明

J. Neijhoft：撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、验证、资源管理、方法论、调查、正式分析、数据整理、概念化。W. Virefléau：撰写 – 审稿与编辑、软件、资源管理、数据整理。Y. Zhao：撰写 – 审稿与编辑、验证、软件、方法论。S. Bianconi：资源管理、数据整理。R. Verboket：撰写 – 审稿与编辑、监督、资源管理、概念化。C. Hoog Antink：

资金

本研究没有收到公共部门、商业部门或非营利部门的任何特定资助。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本文报告的工作。