Background: Metabolic dysfunction-associated steatotic liver disease (MASLD), or non-alcoholic fatty liver disease (NAFLD), is a common disease that is diagnosed through manual evaluation of liver biopsies, an assessment that is subject to high interobserver variability (IBV). IBV can be reduced using automated methods.
Objectives: Many existing computer-based methods do not accurately reflect what pathologists evaluate in practice. The goal is to demonstrate how these differences impact the prediction of hepatic steatosis. Additionally, IBV complicates algorithm validation.
Materials and methods: Forty tissue sections were analyzed to detect steatosis, nuclei, and fibrosis. Data generated from automated image processing were used to predict steatosis grades. To investigate IBV, 18 liver biopsies were evaluated by multiple observers.
Results: Area-based approaches yielded more strongly correlated results than nucleus-based methods (⌀ Spearman rho [ρ] = 0.92 vs. 0.79). The inclusion of information regarding tissue composition reduced the average absolute error for both area- and nucleus-based predictions by 0.5% and 2.2%, respectively. Our final area-based algorithm, incorporating tissue structure information, achieved a high accuracy (80%) and strong correlation (⌀ Spearman ρ = 0.94) with manual evaluation.
Conclusion: The automatic and deterministic evaluation of steatosis can be improved by integrating information about tissue composition and can serve to reduce the influence of IBV.
Zusammenfassung: HINTERGRUND: Die MASLD (metabolische Dysfunktion-assoziierte steatotische Lebererkrankung, oder nichtalkoholische Fettlebererkrankung [NAFLD]) ist eine häufige Erkrankung, deren Diagnose auf der lichtmikroskopischen Auswertung von Leberbiopsien basiert. Diese unterliegt jedoch einer großen Interbetrachtervariabilität (IBV), die durch Hinzunahme von automatisierten Methoden verringert werden kann.
Ziel der arbeit: Ein Großteil der bestehenden computerbasierenden Methoden reflektiert nicht das, was in der Realität vom Pathologen bewertet wird. Ziel ist es, aufzuzeigen, wie diese Unterschiede die Vorhersage des Verfettungsgrads (VG) beeinflussen. Zusätzlich erschwert die IBV die Validierung von Algorithmen.
Material und methoden: Insgesamt 40 Gewebeschnitte wurden automatisch mit Bildanalysemethoden zur Fett‑, Zellkern- und Fibroseerkennung ausgewertet. Die Daten wurden verwendet, um den VG zu berechnen. Die IBV bei der Quantifizierung des VG wurde dabei an 18 Gewebeschnitten durch unterschiedliche Pathologen analysiert.
Ergebnisse: Flächenbasierte Ansätze erzielten stärkere Korrelationen als zellkernbasierte Methoden (⌀ Spearman-Rho [ρ] = 0,92 vs. 0,79). Die Hinzunahme von Informationen zur Gewebekomposition verringerte für flächenbasierte und zellkernbasierte Methoden den durchschnittlichen absoluten Vorhersagefehler um 0,5 % bzw. 2,2 %. Unser finaler flächenbasierter Algorithmus, der Informationen zum Gewebeaufbau integriert, erreichte eine hohe Genauigkeit (80 %) und starke Korrelation (⌀ ρ = 0,94) mit der manuellen Auswertung.
Diskussion: Die automatische und deterministische Bestimmung des VG lässt sich durch die Integration von Informationen der Gewebekomposition verbessern und kann dazu dienen, den Einfluss der IBV zu verringern.
Keywords: Computer-assisted image interpretation; Machine learning; Non-alcoholic fatty liver disease; Observer variation; Reproducibility of results.
© 2024. The Author(s).