改善准确性和重复性

在传统的毒理病理学研究中，毒理病理学家通过光学显微镜在镜下观察组织或免疫组化等切片，根据对形态或病变的认识以及自身工作所积累的经验，对组织切片做出客观的描述、评价与诊断。该方式依然是毒理病理学的金标准，但是由于传统的毒理病理学样本分析过程存在大量的人工干预因素及主观因素影响，因此其结果的准确性与重复性难以得到有效保证。与此同时，其判读结果也是以半定量的形式展现，难以满足现有毒理实验对人工判读精度的要求［306］。然而DP技术的崛起为该矛盾的解决提供了可能，且近年来也陆续看到了相关技术的应用与尝试，例如，Eleonora Carboni等利用深度神经元网络进行卵巢卵泡的差异性计数［307］、Valeria Bertani等利用深度学习模型定量评价化合物诱导大鼠甲状腺滤泡细胞肥大［308］、Fangyao Hu等利用深度学习的模型进行卵巢毒性的评估［309］。从上述的文献报告，可以发现DP的应用从以下几个方面有效地改善了毒理病理学的准确性和重复性，如：①AI在毒理病理学中的运用，可以实现数据图像的高通量分析，其作用不但分担病理毒理学家重复、单调的机械性阅片工作，同时也降低了人为因素对结果准确性与重复性的影响；②通过数据库建立、预处理、模型选择和训练、后续处理和评估的步骤构建深度学习模型，其数据图像分析的结果具有高度重复性，并且能提供定量或半定量的判读意见；③利用DP的WSI技术可以实现跨时间、跨地域的远程信息交流与切片会诊，提高研究人员之间的协作能力，从而改善实验研究结果的准确性；④DP可以帮助研究人员系统性的分析实验结果与数据，更好掌握研究的全局视角，避免研究中可能遗漏的重要信息，提高实验研究的准确性。(https://www.daowen.com)