编辑推荐：
动脉粥样硬化（Atherosclerosis）是西方工业国家的主要死因，传统手动分析小鼠主动脉根组织学全切片图像耗时耗力。研究人员利用 AI 开展动脉和斑块分割量化研究，构建的管道能高效精准分析，为心血管研究提供新途径。
在现代生活方式的影响下，心血管疾病的发病率急剧上升，成为了威胁人类健康的重要杀手。其中，动脉粥样硬化作为冠心病（CAD）的主要病因，在西方工业国家导致了大量的死亡案例。为了深入探究动脉粥样硬化斑块的发展机制，科研人员常常借助小鼠模型展开研究。以往，分析小鼠主动脉根经油红 O（Oil Red O，ORO）染色后的组织学全切片图像（Whole Slide Images，WSIs），主要依靠人工手动分割，这不仅耗费大量时间和人力成本，而且容易受到主观因素的影响，导致结果的准确性和可重复性欠佳。随着人工智能（Artificial Intelligence，AI）技术的飞速发展，其在医学领域的应用潜力逐渐显现，为解决这一难题带来了新的希望。
在这样的背景下，来自德国的研究人员，包括 Johann Christopher Engster、Tobias Reinberger 等人，开展了一项极具创新性的研究。他们旨在利用 AI 技术实现小鼠主动脉根切片中动脉和粥样硬化斑块的自动分割与量化，相关研究成果发表在了《Scientific Reports》杂志上。
研究人员在此次研究中运用了多种关键技术方法。在动脉分割方面，首先利用 YOLOv8l 目标检测器确定主动脉根的感兴趣区域（ROI）；接着，运用监督机器学习方法，借助 U-Net++ 网络集成对 ROI 掩码进行动脉分割；在斑块分割环节，采用无监督的 W-Net 方法对动脉壁内的斑块进行分割 。为了训练和评估模型，研究人员使用了大量的数据集，其中动脉分割网络训练数据集包含来自 530 只不同小鼠的 6085 张 WSIs，斑块分割数据集则包含来自 103 只小鼠的 1089 张有手工标注斑块区域的 WSIs。此外，研究人员还进行了一项案例研究，使用了来自 Cyp17a1 基因缺陷小鼠的 373 张 WSIs 数据集，以测试整个分析流程的性能。
下面来具体看看研究结果。在动脉分割实验中，研究人员对多种分割网络架构进行了比较，结果显示 U-Net++ 在单个网络中表现最佳。在此基础上，研究人员进一步探索了 ROI 管道和集成方法对动脉分割性能的影响。ROI 管道通过结合目标检测器和分割网络，能够提高动脉分割的精度；而集成方法则通过组合多个网络的输出，增强了分割的稳健性。研究发现，将 ROI 预处理和快照集成相结合的方法（即结合 ROI 集成），能够进一步提升分割性能，平均交并比（mIoU）达到 0.833±0.062 ，高质量掩码（mIoU>0.7）的比例超过 97%。
在斑块分割实验中，研究人员使用了改进的无监督 W-Net 架构，并结合后处理技术。虽然 W-Net 在处理不均匀输入图像时存在一定困难，但通过应用颜色转移技术，有效解决了这一问题。实验结果表明，经过后处理的 W-Net 预测的斑块区域与手工标注的参考掩码具有很强的相关性（皮尔逊相关系数 r=0.94） ，但在预测过程中存在对斑块含量低估的情况，同时一些小的斑块簇可能会在处理过程中丢失。
在案例研究中，研究人员将优化后的动脉和斑块分割方法应用于已发表的小鼠研究数据中。结果显示，与基线网络 U-Net++ 相比，平均组合策略和结合 ROI 集成的方法表现更优，高质量掩码的数量增加了约 8%。在斑块分割中，通过颜色转移和后处理，预测的斑块大小与参考斑块大小的皮尔逊相关系数从 r=0.57 提升到了 r=0.91 ，并且 AI 分析结果能够重现之前研究中的生物学发现，即 Cyp17a1 基因在促进雄性小鼠动脉粥样硬化发展方面具有重要作用，而在雌性小鼠中则无此作用。
综合来看，研究人员成功构建了一种结合监督学习和无监督学习的自动分析管道，用于量化小鼠主动脉根中的病变。在动脉分割方面，虽然单个网络（如 U-Net++）在大多数情况下能提供较为可靠的结果，但对于复杂情况，集成网络的方法能够显著提高分割的准确性和稳健性，减少低质量输出。在斑块分割方面，调整后的 W-Net 结合后处理和颜色转移技术，能够提供较为准确的斑块预测结果。案例研究表明，该管道分析结果与手工分析结果具有高度一致性，能够为动脉粥样硬化研究提供重要的生物学见解。
不过，研究也存在一定的局限性。例如，在处理分辨率较低的 WSIs 时，ROI 方法可能会受到限制；手工分割的误差以及管道中的累积误差也会对最终结果产生一定影响。尽管如此，这项研究依然具有重要意义。它为动脉粥样硬化研究提供了一种高效、准确的自动化分析工具，有望大大加速心血管疾病研究的进程，助力开发出更多针对动脉粥样硬化的新型治疗方法，为人类健康事业做出重要贡献。
