Методологические аспекты применения искусственного интеллекта для морфологической диагностики фиброза, дистрофии и воспалительных поражений печени

Полный текст

Введение

Неопухолевые поражения печени, такие как неалкогольная жировая болезнь печени, алкогольная болезнь печени, а также лекарственные и токсические повреждения, представляют собой значительную клиническую и исследовательскую проблему [1, 2]. Высокая распространенность этих состояний в сочетании с их сложностью диагностики создает серьезные вызовы для медицинской практики и научных исследований. Традиционные методы морфологического исследования, основанные на визуальном анализе гистологических препаратов, требуют значительных временных затрат, высокой квалификации специалистов и нередко подвержены влиянию субъективных факторов, что снижает их точность и воспроизводимость.

В последние годы методы искусственного интеллекта (ИИ), особенно технологии компьютерного зрения, начали занимать центральное место в задачах диагностики и исследования заболеваний печени [3, 4]. Наиболее успешными в этой области оказались нейросетевые алгоритмы, такие как сверточные нейронные сети. Эти алгоритмы не только демонстрируют высокую производительность, но и предоставляют возможности для количественной оценки патологических изменений, что открывает новые горизонты для использования математических методов анализа.

Однако, несмотря на преимущества нейросетевых подходов, традиционные методы анализа изображений продолжают сохранять свою актуальность в ряде задач. Они требуют меньших вычислительных ресурсов и в некоторых случаях, например при оценке степени фиброза, достигают точности, сопоставимой с современными алгоритмами глубокого обучения [5]. Тем не менее, гибкость и способность ИИ адаптироваться к более сложным задачам делают его предпочтительным выбором в условиях растущих требований к диагностике и стандартизации в морфологии [3, 4].

Целью данного обзора является анализ современных подходов компьютерного зрения с использованием методов искусственного интеллекта, применяемых для морфологической диагностики и исследования неопухолевых поражений печени.

Поиск публикаций

Для поиска релевантных статей были использованы поисковые системы “Академия Google” и PubMed. Для каждой из них был составлен схожий поисковый запрос:

["Artificial Intelligence" OR "Machine Learning" OR "Deep Learning"] AND [Liver] AND [Histology OR Microscopy OR Histopathology OR Histological] AND [Inflammatory OR Degenerative OR Hepatitis OR Cirrhosis OR Fibrosis]

и

["Artificial Intelligence"[Title/Abstract] OR "Machine Learning"[Title/Abstract] OR "Deep Learning"[Title/Abstract]] AND ["Liver"[Title/Abstract]] AND ["Histology"[Title/Abstract] OR "Microscopy"[Title/Abstract] OR "Histopathology"[Title/Abstract] OR "Histological"[Title/Abstract]] AND ["Inflammatory"[Title/Abstract] OR "Degenerative"[Title/Abstract] OR "Hepatitis"[Title/Abstract] OR "Cirrhosis"[Title/Abstract] OR "Fibrosis"[Title/Abstract]].

Поиск был ограничен периодом публикаций начиная с 1 января 2020 года. В результате первичного отбора было найдено 160 публикаций. После исключения дублирующих работ и анализа рефератов список был сокращен до 56 источников. На следующем этапе из выборки были исключены: обзорные публикации, статьи, где методы искусственного интеллекта использовались для исследовательских целей, но сами не являлись объектом разработки или детального анализа, исследования, в которых не применялись сверточные нейронные сети. В результате итоговый набор включал 25 публикаций, приведенные в таблице 1.

Общая часть

Формулировка задач

Подходы к анализу изображений традиционно разделяются на две основные задачи: классификацию и сегментацию. Задача классификации заключается в отнесении объекта к определенной группе, тогда как сегментация предполагает поиск и выделение объекта на плоскости изображения. Решение задачи сегментации обычно требует большего объема ресурсов, как на этапе подготовки наборов данных, так и с точки зрения аппаратных мощностей. Эти подходы применимы и к анализу гистологических изображений. Для количественной оценки, как правило, используется сегментация с последующей классификацией. Качественные и полуколичественные оценки осуществляются через задачу классификации.

Однако в ходе анализа литературы мы обнаружили, что термин "сегментация" иногда используется в более широком смысле, включая разметку материала. Среди изученных публикаций задача сегментации была упомянута в семи исследованиях [6-12]. В то же время количественная оценка отдельных элементов паренхимы печени упоминалась в шести исследованиях [9-14]. В большинстве других публикаций для оценки гистологических изменений применялся полуколичественный подход с использованием различных шкал. Применение методов искусственного интеллекта особенно эффективно для количественной оценки. Такой подход обладает большей объективностью по сравнению с субъективной оценкой морфолога, а также открывает возможности для использования более сложных математических инструментов анализа в морфологии.

Комплексные данные

В двух публикациях описаны смешанные модели, использующие гистологические изображения в сочетании с другими данными: рентгенологическими [15] или клиническими и биохимическими данными [8]. В этом разделе мы бы хотели остановиться на работе Ananya Jana и соавт [15], в которой были разработаны сочетанные модель с использованием гистологических и рентгенологических данных и проведено их сравнение с моделями, обученными на разделенных данных. Результаты исследования показали значительное преимущество моделей, обученных на сочетанных данных для определения фиброза и воспалительной инфильтрации, шесть и десять процентных пунктов, соответственно, в сравнении с моделью, обученных на гистологических данных. При оценке баллонной дистрофии различия составили три процента, а для жировой дистрофии - менее двух процентов. Учитывая известную вариабельность в работе моделей, последние два различия видятся авторам обзора несущественными. Модель, обученная на рентгенологических данных, значительно уступала другим вариантам, что позволяет сделать вывод о потенциальной ценности рентгенологических данных в качестве дополнительных к гистологическим.

Вспомогательные инструменты

Разработка нейросетевых моделей значительно упрощается благодаря использованию уже существующих инструментов, которые могут быть полезны как для морфологов, осуществляющих разметку и визуальное взаимодействие с моделями, так и для инженеров, занимающихся обработкой данных и обучением моделей. В 17 исследованиях авторы упоминали использование различных, преимущественно коммерческих, инструментов.

Полнофункциональные коммерческие системы для разработки нейросетевых моделей включали PathAI [6, 8], AIforia [9, 13, 14] и HALO [16]. Помимо этого, встречались программные продукты, не являющиеся полноценными платформами для разработки и тестирования моделей, такие как MaReIA и DELINEATE [12], qBallooning [11], PathML и QuPath [17].

Для разметки данных в семи исследованиях использовался VGG Image Annotator. Несмотря на то, что этот инструмент не является специализированным программным обеспечением для работы с гистологическими изображениями, как, например, QuPath, его популярность объясняется возможностью автоматического уточнения зон выделения на основе цветовых различий. Однако неспециализированные инструменты, такие как Image Annotator, не обеспечивают адаптации разметки под разные уровни увеличения без дополнительных затрат. Эта функция, доступная в специализированных приложениях, имеет критическое значение для последующей работы с данными. Мы считаем необходимым подчеркнуть, что кажущаяся простота и удобство использования инструмента на начальных этапах могут привести к значительным затруднениям в дальнейшей работе.

В семи публикациях отсутствовала информация о применении каких-либо вспомогательных инструментов. В восьми исследованиях использовались коммерческие решения. Такая картина применения инструментов обусловлена, по мнению авторов, тремя основными факторами. Во-первых, некоторая очевидность использования инструментов, например, QuPath, который де-факто стал стандартом для разметки гистологических микропрепаратов, хотя был упомянут только в одном исследовании. Во-вторых, разработка нейросетевой модели для анализа гистологических изображений — это чрезвычайно сложная задача, и количество вспомогательных инструментов и библиотек, применяемых в процессе, зачастую столь велико, что их полное перечисление в публикации может оказаться нецелесообразным. Наконец, третьим фактором является заинтересованность производителей коммерческих продуктов в продвижении своих решений, что, в известном смысле, гарантирует попадание информации об использованном инструменте в текст публикации.

Результативность моделей

В изученных исследованиях используются различные метрики для оценки эффективности моделей, что затрудняет их непосредственное сравнение. Метрики могут значительно различаться в зависимости от поставленной задачи и подхода к валидации. Так, часть авторов оценивает результативность моделей на основе степени согласия с морфологом при анализе микропрепаратов [6, 12, 16, 18, 19], тогда как другие используют показатели точности сегментации и классификации, применяемые к отдельным фрагментам или пикселям изображений [1, 7, 10, 15, 20]. Сложность сопоставления результатов между исследованиями обусловлена как разной природой задач, например, классификация или сегментация, так и разнообразием используемых метрик. Тем не менее, для обеспечения наглядности и единообразия мы будем ориентироваться на показатель точность (Accuracy), который чаще используется в литературе для оценки производительности моделей. Основной целью данного обзора является формирование общего представления о степени вариабельности и потенциале нейросетевых моделей в анализе гистологических изображений, несмотря на существующие различия в методах оценки их эффективности.

Наборы данных

Характер и объем использованного материала

Микропрепараты ткани человека использовались в 14 исследованиях, в остальных случаях основой стали материалы лабораторных животных. Чаще всего в исследованиях с человеческим материалом упоминались алкогольный и неалкогольный жировой гепатозы или гепатит (восемь исследований), тогда как на животных чаще изучались токсические поражения печени (восемь исследований). Редко встречались случаи цирроза без указания этиологии, паразитоза, аутоиммунного гепатита и других патологий.

Объем использованных микропрепаратов значительно варьировал. В девяти исследованиях было задействовано менее 100 микропрепаратов, в шести - от 100 до 200, а в остальных исследованиях количество микропрепаратов находилось в диапазоне от 200 до 1200. В последней группе только два исследования использовали более тысячи микропрепаратов [2, 6], одно исследование задействовало 467 образцов [16], остальные ограничивались менее чем 300 микропрепаратами. Для наглядности данные по распределению были изображены в виде графика (Boxplot) на рисунке 1.

В 17 исследованиях материал был изготовлен в одной лаборатории, в остальных случаях сообщалось об использовании материалов из трех или более лабораторий. Для нейросетевых алгоритмов объем и разнообразие данных играют важную роль, что дает преимущество исследователям, использующим данные из крупных мультицентровых проектов. Тем не менее, успешные результаты достигаются и при работе с относительно небольшими наборами данных, доступными в одном учреждении.

Методы окрашивания

Подавляющее большинство исследований использовало микропрепараты, окрашенные гематоксилином и эозином. Для разметки фиброза часто применялись гистохимические методы окрашивания, из которых наиболее распространенным было трихром-окрашивание (семь исследований) . Иммуногистохимические методы окрашивания упоминались в трех исследованиях, причем в одном из них использовался гладкомышечный актин, хотя результаты не были представлены [8]. Два других исследования [13, 14], выполненные одной группой авторов, использовали иммуногистохимическое окрашивание цитокератином 7. В одном исследовании для идентификации фиброза применялись флюоресцентные методы визуализации [11].

Увеличение объектива

Почти все исследования использовали сканированные цифровые микропрепараты, однако одно исследование применяло микрофотографии, сделанные с помощью фотонасадки на микроскоп [21]. Выбор увеличения, используемого для обучения и работы модели, является важным аспектом. Большое увеличение удобно для дифференциации изменений на уровне отдельных клеток, тогда как малое увеличение предпочтительно для оценки тканевых изменений. Точная информация об увеличении отсутствовала в трех исследованиях [5, 6, 8]. Увеличение объектива х40 применялось в трех исследованиях [7, 9, 21], двадцатикратное — в двенадцати, включая пять исследований, где анализировались отдельные клетки: [10-14], десятикратное — в семи, а пяти- или четырехкратное обзорное увеличение — в четырех исследованиях. В последнем случае два исследования использовали обзорное увеличение как единственный уровень [15, 18], в других оно сочеталось с более крупными увеличениями [1, 16].

В пяти работах применялись несколько уровней увеличения для создания учебных наборов данных [1, 7, 16, 21, 22], что обусловлено либо решением разных задач, например, оценка фиброза на меньшем увеличении, изменений паренхимы — на большем [16], либо стремлением сравнить эффективность моделей при различных увеличениях [1, 21, 22]. Y.Ravot и соавт. пришли к выводу, что выбранное увеличение объектива оказывает влияние на эффективность работы модели [21]. Авторы обнаружили, что увеличение объектива х40 было более эффективным для определения фиброза по шкале Ishak, чем х20. В то же время Hui Qu и соавт. [1], сравнивания увеличение х5, х10 и х20, пришли к выводу, что при оценке стеатоза и фиброза по шкале NAS (Non-alcoholic Fatty Liver Disease Activity Score) [23] эффективность моделей не отличается, а при оценке воспалительной инфильтрации по шкале NAS наилучшим оказалось двадцатикратное увеличение. Hwang J-H и соавт [22] сопоставляли увеличение 10 и 20 для оценки фиброза и заключили, что наибольшую эффективность достигает модель на смешанных данных (94%) и при использовании увеличения 20 (92%).

Открытые наборы данных

Открытые наборы данных представляют значительный интерес, так как позволяют проводить исследования без необходимости наличия собственного материала. Самым крупным из обнаруженных датасетов является TG-GATE, содержащий более 50 тысяч цифровых сканированных микропрепаратов с поражениями печени, вызванными различными фармацевтическими препаратами, однако без разметки [24].

Heinemann F. и соавт. создали и опубликовали размеченный датасет из 467 микропрепаратов, окрашенных гематоксилином и эозином и по Массону, с полуколичественной оценкой фиброза и шкалы NAS [16].

Разметка материала

Разметку материала в подавляющем большинстве случаев осуществляли специалисты-морфологи. Два исследования для разметки использовали гистохимическое окрашивание [7, 8] и столько же исследований использовало компьютерные алгоритмы [10, 31]. В тех случаях, когда к разметке привлекались специалисты можно выделить следующие группы. В шести исследованиях использовалась комплексная оценка морфологом всего микропрепарата [1, 2, 14, 15, 18, 20], т.е. при использовании архивного материала из клиники достаточно использовать сформулированные ранее патологоанатомические заключения. В девяти исследованиях специалисты обводили области в цифровом микроскопическом изображении, в трех исследованиях выделяли конкретные отдельные объекты и в таком же количестве размечали тайлы, т.е. классификационный признак присваивается относительно небольшому фрагменту изображения, где доминирует тот или иной признак.

 

Микроскопические паттерны поражения печени

Фиброз

В 18 изученных публикациях проводилась оценка фиброза и цирроза печени, при этом четыре работы были от одной группы авторов [19, 22, 25, 26] и выполнены на одном материале. Даже с учетом этого обстоятельства, оценка фиброза является самой частой исследовательской задачей в рамках рассматриваемого материала. В первую очередь это обусловлено тем, что фиброз достаточно легко выделяется на фоне паренхимы печени и обычно нейросетевые модели достигают высокой точности классификации 80-87 % [1, 9, 15, 18, 20] и уровня согласия с морфологами R2=0,96 [19]. В 10 исследованиях использовалась полуколичественная оценка Metavir или Ishak, в остальных области фиброзной ткани выделялись на микропрепаратах.

В некоторых работах [1, 8, 15, 18] ставили целью различать степени фиброза, что было более эффективным при использовании обобщенных категорий: Metavir I+II и Metavir III+IV или Metavir 0-I и II-IV. При таком подходе качество модели может ухудшаться до 56-64% [8]. Ercan C. и соавт. [9] выделяли различные типы фиброзов: портальный, периваскулярный, перицеллюлярный, мостовидный, узловой. Однако результативность приводится только для обобщенной группы.

Во всех исследованиях, где сравнивались различные методы окрашивания [1, 6, 8, 27], авторы приходят к выводу, что модели на основе окрашивания трихромом по Массону, по крайней мере, не уступают моделям на основе других гистохимических (пикросириус красный) и иммуногистохимических (антитела к гладкомышечному актину) методов.

Жировая дистрофия гепатоцитов

Жировая дистрофия гепатоцитов упоминается в девяти работах, в шести из них авторы указали, что проводили полуколичественную оценку по шкале NAS [1, 6, 14, 15, 17, 18, 20], в двух исследованиях авторы осуществляли количественную оценку гепатоцитов с жировым перерождением [10, 12]. В одной работе авторы не раскрыли подходы к разметке, лишь указав, что такая категория была включена в классификационные группы [19]. Только в одном исследовании [12] было указание на дифференцировку между макростеатозом и общим стеатозом, другие исследователи не отметили дифференцировку между микро- и макровезикулярным стеатозом. Необходимо отметить, что шкала NAS подразумевает оценку именно макровезикулярного стеатоза [23]. В целом, эффективность нейросетевых алгоритмов достаточно высока и достигает точности 96-100% [12, 10] при решении задачи классификации, т.е. количественной оценки. Полуколичественные оценки отличались меньшей эффективностью и варьировала в диапазоне от 72% [8] до 95% [15, 20], однако Baek E.B. и соавт. [19] получили показатель корреляции с морфологом R2 0,99. По аналогии с фиброзом, Jana A. и соавт. [15] уменьшили количество классификационных групп жировой дистрофии паренхимы печени по шкале NAS до двух: 0+1 и 2+3, для повышения эффективности моделей.

Воспалительная инфильтрация

В восьми работах оценивалась воспалительная инфильтрация, при этом в пяти исследованиях для обучения модели применялась полуколичественная оценка NAS-Score [1, 6, 15, 16, 20]. Из оставшихся трех исследований две работы [19, 28] представлены одним и тем же коллективом авторов и на одинаковом материале и ставили задачу перед моделью качественного определения воспалительной инфильтрации. В одной публикации [9] воспалительная инфильтрация оценивалась количественно. В двух работах [9, 28] выделяются два типа воспалительной инфильтрации: портальная и лобулярная. Ercan С. и соавт. [9] использовали более детализированные классификационные группы и дифференцировали отдельной моделью различные воспалительные клетки: лимфоциты, плазмоциты, макрофаги, эозинофилы, нейтрофилы, а также воспалительное повреждение желчных протоков. Общая точность модели, дифференцирующей и количественно оценивающей лейкоцитарную инфильтрацию модели составила 72%. Точность модели, полуколичественно оценивающей портальную воспалительную инфильтрацию, была существенно выше и составила 79%. Bosch J. и соавт [8] также различали портальную и дольковую воспалительную инфильтрацию и получили точность моделей 65% и 73, соответственно. В целом, эффективность моделей для оценки воспалительной инфильтрации по результатам изученных работ заметно ниже, чем оценка фиброза или жировой дистрофии, и варьировала в диапазоне от 64% [1, 15] до 86% [20]. Показатель корреляции с морфологом в работе Baek E.B. и соавт. [19] составил R2 0,95.

Баллонная дистрофия гепатоцитов

Оценку баллонной дистрофии с помощью искусственного интеллекта проводили в семи работах. В пяти из них использовалась шкала NAS [1, 6, 15, 16, 20]. В двух оставшихся исследованиях производили количественную оценку баллонизации [10, 11]. По аналогии с жировым перерождением гепатоцитов количественная оценка и задача сегментации имели более высокую эффективность, достигшую 100% [10]. Jana A. и соавт. [15], как и в других категориях шкалы NAS, уменьшили количество классификационных групп до трех, объединив категории 2 и 3. Это позволило достигнуть точности в 75%. В совокупности изученные работы демонстрировали значительный разброс точности от 46% [8] до 93 % [20].

Некрозы

В пяти изученных публикациях в качестве классификационной группы присутствовали некрозы. При этом следует упомянуть, что четыре из них были от одной группы авторов [19, 22, 25, 28] и выполнены на одном материале: лабораторные животные с ацетаминофеновым поражением печени. Данная группа исследователей для оценки эффективности модели использовала корреляцию с морфологом и получала коэффициент корреляции R2 в диапазоне 0,94-0,99. В исследовании Ercan и соавт. [9] для идентификации некровоспалительных изменений применяется отдельная модель, классифицирующая следующие категории некроза: фокальный, фокальный сливной, перивенулярный, мостовидный и панацинарный. Общая точность этой модели, которая кроме некрозов включала только мононуклеарную инфильтрацию, составила 84% на учебной выборке, однако специфичность и чувствительность на тестовой выборке составляли менее 50%. Столь невысокие характеристики, вероятно, объясняются относительной идентичностью морфологической картины, которая сводится к клеточному детриту. К сожалению, авторы статьи не описывают причины, по которым были созданы столь схожие классификационные группы.

Другие гистологические структуры

Ряд исследователей для повышения качества модели включали в классификационные группы различные гистологические структуры. Наиболее частыми были портальные тракты - их идентификацию модели проводили в пяти исследованиях [7, 9, 14, 19, 28] с эффективностью моделей в диапазоне 78-89% [7, 9] и высокую корреляцию с морфологом R2=0,85 [19]. Отдельно желчные протоки были указаны в трех исследованиях [6, 9, 14], причем в последнем случае выявлялись желчные протоки с воспалительной инфильтрацией. Качество моделей также было на уровне 70-80%. В таком же количестве исследований встречается верификация сосудов [6, 9, 10].

Заключение

Применение методов ИИ в морфологической верификации неопухолевых патологических изменений печени демонстрирует значительный потенциал и уже сегодня в ряде задач достигает высокой точности. Изученные данные подтверждают высокую диагностическую ценность современных технологий глубокого обучения, особенно сверточных нейронных сетей, которые продемонстрировали способность выявлять сложные паттерны и обеспечивать количественную оценку патологических изменений.

Эффективность моделей ИИ особенно заметна в задачах сегментации фиброза, баллонной и жировой дистрофии гепатоцитов. Автоматизация анализа позволяет значительно сократить время диагностики и уменьшить вариабельность. Это особенно важно в как в исследованиях, так и в клинической работе.

Применение ИИ способствует переходу от полуколичественных методов оценки к количественным, что позволяет использовать более сложные математические инструменты и обеспечивает большую объективность анализа. Успешные результаты достигаются даже на относительно небольших выборках данных, что делает эти подходы доступными для лабораторий с ограниченными ресурсами. Тем не менее, существующие ограничения, включая неоднородность данных, разницу в методах разметки и ограниченную стандартизацию протоколов, требуют дальнейшего изучения и совершенствования.

 

Таблица 1. Обобщенные данные по статьям.

Table 1. Generalized data on articles.

Автор, год публикации	КО	КМ	КЛ	Выявляемые паттерны и структуры	Методы окрашивания
Taylor-Weiner, et. al. 2021	218	1255	> 3	Фиброз, жировая дистрофия, воспалительная инфильтрация, баллонная дистрофия, желчные протоки, сосуды	Трихром
Eun Bok Baek, et. al. 2022	30	200	1	Воспалительная инфильтрация, некрозы, портальные тракты	Гематоксилин и эозин
Ahmed Naglah, et. al. 2022	26	26	1	Фиброз, жировая дистрофия	Гематоксилин, Трихром
Hui Qu, et. al. 2021	87	174	1	Фиброз (Metavir), жировая дистрофия, воспалительная инфильтрация, баллонная дистрофия	Гематоксилин, Трихром
Jaime Bosch, et. al. 2021	218	218	> 3	Фиброз (Ishak)	Гематоксилин, Трихром, Sirius Red, ИГХ
Amira S. Ashour, et. al. 2018	60	60	1	Фиброз	Гематоксилин
Nelli Sjöblom, et. al. 2021	207	210	1	Фиброз (Nakanuma, Metavir)	ИГХ
Noppamate Preechathammawong, et. al. 2024	146	146	2	Фиброз (Metavir), жировая дистрофия	Гематоксилин, Трихром
Nelli Sjöblom, et. al. 2023	295	295	1	Фиброз (Metavir), портальные тракты, желчные протоки	ИГХ
Fabian Heinemann, et. al. 2019	258	258	> 3	Фиброз (Metavir), жировая дистрофия, воспалительная инфильтрация, баллонная дистрофия	Трихром
Mihaly Sulyok, et. al. 2023	46	92	1	Фиброз	Гематоксилин
Caner Ercan, et. al. 2024	116	123	1	Фиброз, воспалительная инфильтрация, некрозы, портальные тракты, желчные протоки, сосуды	Гематоксилин, Sirius Red
Alexandros Arjmand, et. al. 2020	64	64	1	Жировая дистрофия, баллонная дистрофия, синусоиды, сосуды	Гематоксилин, Трихром, Sirius Red
Munish Puri, 2020	46	1277	> 3	Некроз	Гематоксилин
Elizabeth M. Brunt, et. al. 2022	22	44	> 3	Баллонная дистрофия	Гематоксилин, Флюоресценция
Fabian Heinemann, et. al. 2022	467	467	3	Фиброз (Metavir), жировая дистрофия, воспалительная инфильтрация, баллонная дистрофия	Гематоксилин, Трихром
Yuval Ramot, et. al. 2021	15	140	1	Фиброз (Ishak)	Гематоксилин
Ananya Jana, et. al. 2020	30	30	1	Фиброз (Metavir), жировая дистрофия, воспалительная инфильтрация, баллонная дистрофия	Гематоксилин
Mousumi Roy, et. al. 2020	36	36	1	Жировая дистрофия	Гематоксилин
Ji-Hee Hwang, et. al. 2023	51	104	1	Фиброз, некрозы	Гематоксилин
Ji-Hee Hwang, et. al. 2023	51	51	1	Фиброз	Гематоксилин
Eun Bok Baek, et. al. 2023	100	100	1	Фиброз, жировая дистрофия, воспалительная инфильтрация, портальные тракты	Гематоксилин
Ji-Hee Hwang, et. al. 2023	51	12	1	Фиброз	Гематоксилин
Eun Bok Baek, et. al. 2022	30	200	1	Воспалительная инфильтрация, некрозы, портальные тракты	Гематоксилин
Nelli Sjöblom, 2021	210	210	1	Фиброз (Metavir), портальные тракты	ИГХ

 

КО - количество объектов исследования (пациенты или животные)

КМ - количество микропрепаратов

КЛ - количество лабораторий

 

Об авторах

Татьяна Олеговна Новикова

ФГБУ «НМИЦ онкологии им. Н.Н. Блохина» Минздрава России

Email: tn.path1910@yandex.ru
ORCID iD: 0000-0002-1686-5629

Врач-патологоанатом патологоанатомического отделения

Россия, 115522, Москва, ул. Каширское ш., 23.

Ашот Арсенович Меликбекян

ФГБОУ «МИРЭА - Российский технологический университет»

Автор, ответственный за переписку.
Email: melikbekyan.ashot@yandex.ru
ORCID iD: 0009-0003-6470-4891
SPIN-код: 8683-6870

Бакалавр

Россия

Артём Михалович Борбат

MVZ Pathologie Spandau

Email: aborbat@yandex.ru
ORCID iD: 0000-0002-9699-8375
SPIN-код: 8948-9169

Врач-патологоанатом, кандидат медицинских наук

Германия, 13589 Berlin Spandau, Stadtrandstr. 555

Список литературы

Дополнительные файлы