基于深度學(xué)習(xí)的兒童先天性巨結(jié)腸輔助診斷算法

摘 要：在先天性巨結(jié)腸（Hirschsprung Disease，HD）的診斷工作中，神經(jīng)節(jié)細(xì)胞的尋找耗時(shí)長且具有挑戰(zhàn)性。

為了更好地輔助病理醫(yī)生診斷HD，提出一種基于改進(jìn)YOLOv5s的結(jié)腸神經(jīng)節(jié)細(xì)胞智能檢測(cè)算法。該算法在YOLOv5s的Neck層PAN網(wǎng)絡(luò)的3個(gè)C3模塊后，分別添加了無參數(shù)的SimAM注意力機(jī)制，這一改進(jìn)在不增加模型參數(shù)量的同時(shí)，有效地捕捉到更多重要的特征。實(shí)驗(yàn)結(jié)果顯示，改進(jìn)的算法能夠快速且準(zhǔn)確地識(shí)別神經(jīng)節(jié)細(xì)胞，其精確度、召回率、mAP@0.5分別達(dá)到了87.4%、84.6%、91.5%。基于此算法，進(jìn)一步開發(fā)了兒童先天性巨結(jié)腸輔助診斷軟件，該軟件能夠自動(dòng)檢測(cè)結(jié)腸活檢切片中的神經(jīng)節(jié)細(xì)胞，為病理醫(yī)生診斷HD提供了極大的便利。

關(guān)鍵詞：深度學(xué)習(xí);YOLOv5;SimAM;先天性巨結(jié)腸;輔助診斷

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)志碼：A

0 引言（Introduction）

先天性巨結(jié)腸（Hirschsprung Disease，HD），又稱先天性腸神經(jīng)節(jié)細(xì)胞缺如癥，是一種遺傳背景復(fù)雜的腸神經(jīng)系統(tǒng)發(fā)育障礙性疾病，對(duì)患兒的健康甚至生命構(gòu)成了嚴(yán)重威脅。目前，HD致病機(jī)制和原因尚未明確[1]。在直腸黏膜活檢中，神經(jīng)節(jié)細(xì)胞的檢測(cè)對(duì)于HD的確診或排除至關(guān)重要，同時(shí)這一結(jié)果也決定了手術(shù)治療需要切除的腸段位置。然而，目前神經(jīng)節(jié)細(xì)胞的識(shí)別主要依賴病理醫(yī)生的人工判斷，這一過程識(shí)別難度大且耗時(shí)較長。基于此，本文提出一種基于改進(jìn)YOLOv5s的深度學(xué)習(xí)算法，用于輔助兒童先天性巨結(jié)腸的診斷。在YOLOv5s的Neck部分使用SimAM（Similarity-based Attention Mechanism）注意力機(jī)制，增強(qiáng)了模型檢測(cè)神經(jīng)節(jié)細(xì)胞的性能，并且不會(huì)帶來額外的參數(shù)。基于這一算法，本研究進(jìn)一步開發(fā)了先天性巨結(jié)腸輔助診斷軟件，該軟件能夠快速檢測(cè)病理切片中的神經(jīng)節(jié)細(xì)胞，輔助病理醫(yī)生更加高效、便捷地完成HD的診斷。

1 相關(guān)研究（Related research）

先天性巨結(jié)腸是由兒童消化系統(tǒng)的先天性畸形病變導(dǎo)致的，發(fā)病率約為1/5000[2]，其主要表現(xiàn)特征是結(jié)腸遠(yuǎn)端神經(jīng)節(jié)細(xì)胞缺乏，從內(nèi)括約肌開始向近端延伸，由此產(chǎn)生的結(jié)腸神經(jīng)節(jié)段無法松弛，持續(xù)處于痙攣狀態(tài)，進(jìn)而引發(fā)功能性腸梗阻[3]。排泄物在近端結(jié)腸淤積，使該段結(jié)腸逐漸肥大、增厚并擴(kuò)張，從而形成巨大結(jié)腸，患兒因此會(huì)出現(xiàn)便秘、腹脹、嘔吐、生長遲緩、腸炎等臨床癥狀[4]，在嚴(yán)重的情況下，患兒可能出現(xiàn)腸穿孔乃至死亡。一旦確診，患兒需要接受手術(shù)治療，以完全切除無神經(jīng)節(jié)腸段，并在保留括約肌功能的同時(shí)，將正常腸管進(jìn)行吻合[5]。

隨著對(duì)先天性巨結(jié)腸發(fā)病機(jī)制和治療方法的研究不斷深入，其臨床分型和診斷標(biāo)準(zhǔn)已逐漸明確，診斷方法及治療技術(shù)不斷精進(jìn)[6]。目前，對(duì)HD的診斷主要依賴臨床輔助診斷方法，主要包括X線腹部平片、鋇餐造影、腹部超聲、CT檢查等常規(guī)放射成像方法及直腸活檢等[7]。直腸活檢對(duì)診斷HD的敏感性和特異性均較高且安全可靠，是目前確診HD的“金標(biāo)準(zhǔn)”[8]。在進(jìn)行HD直腸活檢時(shí)，需取得直腸的黏膜或者漿肌層做切片，并用蘇木精和伊紅（Hematoxylin and Eosin，Hamp;E）進(jìn)行染色，然后識(shí)別病理特征并進(jìn)行組織學(xué)評(píng)價(jià)[9]。神經(jīng)節(jié)細(xì)胞是否存在，為HD的診斷提供了重要依據(jù)[10]，同時(shí)也是外科手術(shù)中的關(guān)鍵步驟，直接決定了切除的腸道以及進(jìn)行吻合或造口的位置[11]。然而，在臨床工作中，每個(gè)活檢標(biāo)本至少包含20個(gè)Hamp;E染色切面，需要由具有一定經(jīng)驗(yàn)的病理醫(yī)生通過仔細(xì)觀察切片的各個(gè)切面來尋找神經(jīng)節(jié)細(xì)胞[12]，使得該項(xiàng)診斷工作耗時(shí)長且具有較大的挑戰(zhàn)性，特別是在術(shù)中冰凍病理診斷中，醫(yī)生要在半小時(shí)內(nèi)快速分析冷凍切片并發(fā)出報(bào)告，確認(rèn)神經(jīng)節(jié)細(xì)胞是否存在，使得該疾病的診斷工作更加緊迫。所以，迫切需要建立一種快速且高效的輔助診斷方法，實(shí)現(xiàn)對(duì)神經(jīng)節(jié)細(xì)胞的快速識(shí)別或初步篩檢。

近年來，隨著病理學(xué)和新型影像技術(shù)的迅猛發(fā)展，深度學(xué)習(xí)技術(shù)逐漸成為醫(yī)學(xué)圖像精準(zhǔn)分析和處理的重要方法，助力醫(yī)務(wù)人員實(shí)現(xiàn)早期和準(zhǔn)確的診斷，并在醫(yī)學(xué)成像領(lǐng)域中受到廣泛的關(guān)注和應(yīng)用[13]。本研究基于YOLOv5算法進(jìn)行改進(jìn)，實(shí)現(xiàn)了神經(jīng)節(jié)細(xì)胞區(qū)域快速且準(zhǔn)確的檢測(cè)。病理醫(yī)生可以直接從識(shí)別的結(jié)果中進(jìn)行進(jìn)一步的篩選和判斷，不僅節(jié)約了時(shí)間，而且還極大地降低了病理醫(yī)生判別神經(jīng)節(jié)細(xì)胞的難度，對(duì)于HD的輔助診斷和治療具有重要的意義。

2 算法模型（Algorithm model）

2.1 目標(biāo)檢測(cè)算法概述

基于深度學(xué)習(xí)的物體檢測(cè)方法主要有基于候選區(qū)域和非候選區(qū)的方法，其中基于候選區(qū)域的方法通常是二步檢測(cè)法，即首先從輸入的圖像中生成一系列區(qū)域，其次利用CNN（Convolutional Neural Networks）從生成的區(qū)域中提取特征并構(gòu)造一個(gè)目標(biāo)分類器，最后在候選區(qū)域上進(jìn)行分類與回歸。基于候選區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（Region-based" Convolutional" Neural Networks，R-CNN）[14]法是最早引入深度學(xué)習(xí)的方法，采用選擇性搜索的策略在輸入圖像中生成候選區(qū)域，并使用卷積神經(jīng)網(wǎng)絡(luò)從生成的候選區(qū)域中提取特征。在R-CNN方法的基礎(chǔ)上，研究人員提出了FastR-CNN[15]和FasterR-CNN[16]，以減少訓(xùn)練時(shí)間和提高精度。然而，盡管基于候選區(qū)域的方法在檢測(cè)精度上表現(xiàn)出色，但是其結(jié)構(gòu)復(fù)雜且檢測(cè)過程耗時(shí)較長。為了克服FasterR-CNN 在檢測(cè)速度上的局限性，REDMON等[17]提出了YOLO（You Only Look Once）物體檢測(cè)算法。YOLO是一種基于候選區(qū)域的一步檢測(cè)方法，其結(jié)構(gòu)簡單并能夠快速檢測(cè)出物體，并且經(jīng)歷了一系列的版本更新，逐漸成為物體檢測(cè)的主流框架。

2.2 YOLOv5算法

YOLOv5是在YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上進(jìn)行改進(jìn)的一種高效算法，它的特點(diǎn)是權(quán)重文件小，網(wǎng)絡(luò)結(jié)構(gòu)與YOLOv4略微相似，但經(jīng)過了大幅度的精簡和優(yōu)化。YOLOv5不僅檢測(cè)精度更高，而且運(yùn)行速度更快，模型尺寸（27 MB）相較于YOLOv4（245MB）大幅減小，這在模型部署方面展現(xiàn)出極強(qiáng)的優(yōu)勢(shì)。YOLOv5可以細(xì)分為4種不同的網(wǎng)絡(luò)結(jié)構(gòu)，分別是YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，其參數(shù)數(shù)量依次增多，網(wǎng)絡(luò)大小依次增大。本文選擇了YOLOv5s作為識(shí)別算法的基本網(wǎng)絡(luò)結(jié)構(gòu)圖（圖1）。

YOLOv5算法分為輸入端（Input）、主干網(wǎng)絡(luò)（Backbone）、網(wǎng)絡(luò)層（Neck）及輸出端（Head）4個(gè)部分。輸入端采用與YOLOv4相同的Mosaic數(shù)據(jù)增強(qiáng)[18]操作，提升了模型的訓(xùn)練速度和網(wǎng)絡(luò)的精度，由原來的2張圖像增加到4張圖像進(jìn)行拼接，并對(duì)圖像進(jìn)行自適應(yīng)隨機(jī)縮放、隨機(jī)裁剪和隨機(jī)排列。YOLOv5在選定錨框比時(shí)采用的是自適應(yīng)錨框計(jì)算，YOLOv3 和YOLOv4都是先采用聚類算法在數(shù)據(jù)集中進(jìn)行預(yù)先訓(xùn)練，選好9個(gè)錨框的寬高，而YOLOv5將此功能嵌入代碼中，每次訓(xùn)練時(shí)自適應(yīng)地計(jì)算不同訓(xùn)練集中的最佳錨框值;Backbone 是在不同圖像細(xì)粒度上聚合并形成圖像特征的卷積神經(jīng)網(wǎng)絡(luò)，主要包括Conv2d卷積神經(jīng)網(wǎng)絡(luò)模塊、C3網(wǎng)絡(luò)、SPPF模塊等，其中C3網(wǎng)絡(luò)是由YOLOv4中的BottlenectCSP改進(jìn)而來的。Neck是一系列混合圖像特征的網(wǎng)絡(luò)層，它將圖像特征傳遞到預(yù)測(cè)層，YOLOv5 的Neck 中也用到了CSP（Cross Stage Partial）結(jié)構(gòu)，能夠更好地與前面網(wǎng)絡(luò)提取的特征進(jìn)行融合，主要采用特征金字塔（Feature Pyramid Network，F(xiàn)PN）和路徑聚合網(wǎng)絡(luò)（Path" Aggregation Network，PAN）進(jìn)行上采樣和下采樣，從而有效地檢測(cè)多尺度目標(biāo)。Head部分是預(yù)測(cè)端，負(fù)責(zé)對(duì)圖像特征進(jìn)行預(yù)測(cè)，最終生成邊界框并預(yù)測(cè)類別。

2.3SimAM 注意力機(jī)制

隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，注意力機(jī)制在圖像處理領(lǐng)域中得到了越來越廣泛的應(yīng)用。為了提高神經(jīng)節(jié)細(xì)胞的識(shí)別能力，在YOLOv5網(wǎng)絡(luò)模型中引入了注意力機(jī)制。該機(jī)制模擬人類視覺系統(tǒng)中的選擇性感知機(jī)制，通過計(jì)算特征向量的不同權(quán)重進(jìn)行加權(quán)求和[19]。在模型的訓(xùn)練過程中，對(duì)輸入圖像的特征權(quán)重進(jìn)行動(dòng)態(tài)調(diào)整，將注意力集中在圖像中最重要的區(qū)域，減少冗余或噪聲數(shù)據(jù)的干擾并抑制不相關(guān)的部分，提高識(shí)別結(jié)果的準(zhǔn)確性。注意力機(jī)制一般分為空間注意力機(jī)制、通道注意力機(jī)制及像素注意力機(jī)制，但將這些注意力機(jī)制加入原始網(wǎng)絡(luò)后，會(huì)增加參數(shù)和內(nèi)存消耗。為了克服這一局限，本文運(yùn)用了SimAM[20]（一種不需要向原始網(wǎng)絡(luò)中添加參數(shù)的注意力模塊）。SimAM在各種視覺任務(wù)的定量評(píng)估中展現(xiàn)了高度的靈活性和有效性。同時(shí)，現(xiàn)有的注意力模塊如空間注意力、通道注意力，只能沿著通道或空間維度細(xì)化特征，限制了學(xué)習(xí)跨通道和空間變化的注意力權(quán)重的靈活性。在人的大腦中，空間注意力和通道注意力是共存的，兩種注意力往往是協(xié)同工作的，共同促進(jìn)視覺處理過程中的信息選擇，著名的神經(jīng)科學(xué)理論表明，為了更好地實(shí)現(xiàn)注意力，需要評(píng)估每個(gè)神經(jīng)元的重要性，某神經(jīng)元與周圍神經(jīng)元的區(qū)別越大，其重要性越高。因此，本文運(yùn)用了統(tǒng)一權(quán)值的注意力模塊SimAM，通過優(yōu)化能量函數(shù)來區(qū)分每個(gè)神經(jīng)元的重要性，并為其分配一個(gè)唯一的權(quán)重，并且大多數(shù)算子是根據(jù)定義的能量函數(shù)的解來選擇的，有效避免了在模型結(jié)構(gòu)調(diào)整方面投入過多的時(shí)間和精力。

本文分別在YOLOv5s網(wǎng)絡(luò)的不同位置引入SimAM 注意力機(jī)制，以進(jìn)行效果對(duì)比分析。將SimAM 注意力機(jī)制加入YOLOv5s中Backbone不同位置的示意圖如圖2所示，將SimAM注意力機(jī)制加入YOLOv5s中Neck層結(jié)構(gòu)示意圖如圖3所示。在圖2（a）和圖2（b）中，SimAM 注意力機(jī)制分別添加到了Backbone的SPFF模塊之前和Backbone的輸出端。在圖3的Neck層的PAN網(wǎng)絡(luò)中，分別在每個(gè)C3模塊之后添加了SimAM注意力機(jī)制。

3 實(shí)驗(yàn)與結(jié)果分析（Experiments and analysis of results）

3.1 數(shù)據(jù)集本數(shù)據(jù)集源自上海市兒童醫(yī)院病理科，選取了203例患兒的結(jié)腸活檢樣本，包括冰凍和石蠟切片，均經(jīng)過HE（Hematoxylin and Eosin staining）染色，并通過掃描轉(zhuǎn)為數(shù)字化圖像。結(jié)腸活檢病理切片的典型示例如圖4所示。

3.2 數(shù)據(jù)預(yù)處理

由上海市兒童醫(yī)院病理科的兩名病理醫(yī)生，在高倍視野下使用iViewr閱圖軟件，選擇了神經(jīng)叢中的神經(jīng)節(jié)細(xì)胞進(jìn)行標(biāo)注，高倍視野下的神經(jīng)節(jié)細(xì)胞標(biāo)注區(qū)域示例圖如圖5所示。隨后，在40倍鏡下，研究人員將醫(yī)生標(biāo)記部位的原始數(shù)字圖像區(qū)域進(jìn)行截圖提取，共截取得到947張圖片用于實(shí)驗(yàn)，均為bmp格式。運(yùn)用LabelImg工具將每張截取圖片上所有的標(biāo)記區(qū)域框選出來，并生成了947個(gè)txt格式的標(biāo)簽數(shù)據(jù)文件。每個(gè)標(biāo)簽文件的每一行均表示一個(gè)神經(jīng)節(jié)細(xì)胞目標(biāo)，以空格進(jìn)行區(qū)分，分別表示目標(biāo)的類別id，歸一化處理后中心點(diǎn)的x 坐標(biāo)、y坐標(biāo)，目標(biāo)框的寬度w 和高度h。

3.3 實(shí)驗(yàn)設(shè)置

本文的實(shí)驗(yàn)平臺(tái)為NVIDIA GeForce RTX 4060 Laptop GPU，16GB內(nèi)存的Windows 11系統(tǒng)，Python版本為3.9，在Pycharm64 位操作系統(tǒng)中完成模型訓(xùn)練，實(shí)驗(yàn)?zāi)Ｐ瓦x取Pytorch環(huán)境作為學(xué)習(xí)框架。實(shí)驗(yàn)中的超參數(shù)都要進(jìn)行多次測(cè)試選擇，圖像大小為640×640，批次大小為4，初始學(xué)習(xí)率為0.01，動(dòng)量為0.937，權(quán)重衰減系數(shù)為0.001，預(yù)訓(xùn)練權(quán)重使用YOLOv5s.pt，其中權(quán)重衰減系數(shù)可以用來控制模型正則化的強(qiáng)度，從而防止過擬合，增強(qiáng)了模型的泛化能力。

3.4 評(píng)價(jià)指標(biāo)

為了不斷優(yōu)化訓(xùn)練效果，采用如下4個(gè)常用的模型評(píng)價(jià)指標(biāo)進(jìn)行測(cè)試，分別為精確度、召回率、mAP@0.5、mAP@0.5～0.95，其中mAP@0.5表示IoU 閾值為0.5時(shí)的平均AP值，mAP@0.5～0.95表示IoU 閾值從0.5到0.95時(shí)的平均AP值。

3.5 實(shí)驗(yàn)結(jié)果分析

本實(shí)驗(yàn)首先將注意力機(jī)制SimAM設(shè)置在YOLOv5s的不同網(wǎng)絡(luò)位置，分別將SimAM 注意力機(jī)制加入Backbone中的SPFF模塊之前、Backbone的輸出端、Neck中PAN網(wǎng)絡(luò)的C3模塊之后;其次針對(duì)這三個(gè)不同配置分別進(jìn)行模型訓(xùn)練。訓(xùn)練完成之后，對(duì)神經(jīng)節(jié)細(xì)胞的識(shí)別性能進(jìn)行了對(duì)比評(píng)價(jià)。將SimAM注意力機(jī)制引入YOLOv5s中不同位置的性能對(duì)比如表1所示。

由表1中的數(shù)據(jù)可以看出，將SimAM 引入YOLOv5s網(wǎng)絡(luò)的不同部位對(duì)識(shí)別模型的性能有一定的影響，其中將SimAM放置在Neck層中PAN網(wǎng)絡(luò)的C3模塊之后，各評(píng)價(jià)指標(biāo)的效果均為最優(yōu)，其識(shí)別精確度、召回率、mAP@0.5、mAP@0.5～0.95分別達(dá)到了87.4%、84.6%、91.5%、50.9%。為了進(jìn)一步驗(yàn)證不同注意力機(jī)制對(duì)神經(jīng)節(jié)細(xì)胞識(shí)別性能的影響，本文進(jìn)行了消融實(shí)驗(yàn)。在試驗(yàn)中，將SE（Squeeze-and-Excitation Networks）、CBAM（Convolutional Block" Attention Module）、ECA（Efficient Channel Attention）3種注意力模塊分別加入YOLOv5s網(wǎng)絡(luò)的相同位置，并進(jìn)行了模型訓(xùn)練，引入不同注意力機(jī)制進(jìn)行目標(biāo)檢測(cè)的評(píng)價(jià)結(jié)果如表2所示。

由表2中數(shù)據(jù)可以看出，在YOLOv5s中融合SimAM 注意力機(jī)制后，相較于融合了其他注意力機(jī)制的目標(biāo)檢測(cè)模型，在神經(jīng)節(jié)細(xì)胞識(shí)別的精確度、召回率、mAP@0.5、mAP@0.5～0.95等各項(xiàng)指標(biāo)上均展現(xiàn)出了明顯的優(yōu)勢(shì)，證明本文方法具有較高的可行性。對(duì)于形態(tài)復(fù)雜難辨且個(gè)體細(xì)胞差別較大的神經(jīng)節(jié)細(xì)胞識(shí)別任務(wù)，需要融合一種可以評(píng)估每個(gè)神經(jīng)元重要性的注意力機(jī)制，即SimAM模塊。

改進(jìn)YOLOv5s模型的F1分?jǐn)?shù)評(píng)價(jià)曲線如圖6所示，該曲線描繪了F1分?jǐn)?shù)與置信度之間的關(guān)系，是精確度和召回率的調(diào)和平均數(shù)，預(yù)測(cè)類別為神經(jīng)節(jié)細(xì)胞，且達(dá)到了0.860的F1分?jǐn)?shù)。改進(jìn)YOLOv5s模型對(duì)冰凍切片中神經(jīng)節(jié)細(xì)胞預(yù)測(cè)的示例圖如圖7所示，改進(jìn)YOLOv5s模型對(duì)石蠟切片中神經(jīng)節(jié)細(xì)胞預(yù)測(cè)的示例圖如圖8所示，框中代表的是可能包含神經(jīng)節(jié)細(xì)胞的區(qū)域，預(yù)測(cè)置信度分?jǐn)?shù)代表該框中包含神經(jīng)節(jié)細(xì)胞的概率，從中可以看出大部分神經(jīng)節(jié)細(xì)胞區(qū)域均被預(yù)測(cè)出來，而冰凍切片比石蠟切片中的神經(jīng)節(jié)細(xì)胞識(shí)別難度更大一些，這是因?yàn)楸鶅銮衅械纳窠?jīng)節(jié)細(xì)胞形態(tài)更模糊。總體而言，本文提出的算法，即在YOLOv5s模型Neck網(wǎng)絡(luò)層的3個(gè)C3模塊之后融合SimAM模塊，能夠準(zhǔn)確高效地對(duì)神經(jīng)節(jié)細(xì)胞進(jìn)行識(shí)別。

PyQt是一個(gè)高效的用于創(chuàng)建PythonGUI應(yīng)用程序的工具包，相較于Qt，它提供了更高的靈活性，研究人員運(yùn)用其開發(fā)了兒童先天性巨結(jié)腸輔助診斷軟件，其界面如圖9所示。在該軟件中，將本文模型嵌入其中，用于識(shí)別患兒結(jié)腸活檢切片中的神經(jīng)節(jié)細(xì)胞，從而輔助病理醫(yī)生的診斷。

4 結(jié)論（Conclusion）

為了提高病理醫(yī)生診斷HD的效率，本文提出一種基于改進(jìn)YOLOv5s的結(jié)腸神經(jīng)節(jié)細(xì)胞檢測(cè)算法。該算法在Neck層中PAN網(wǎng)絡(luò)的3個(gè)C3模塊之后融合了SimAM注意力機(jī)制， 相較于原模型，能夠更加準(zhǔn)確地對(duì)結(jié)腸神經(jīng)節(jié)細(xì)胞進(jìn)行識(shí)別且不會(huì)帶來額外的參數(shù)。基于此算法，本文開發(fā)了一款兒童先天性巨結(jié)腸輔助診斷軟件，該軟件能夠識(shí)別神經(jīng)節(jié)細(xì)胞，為病理醫(yī)生提供了可靠的診斷依據(jù)。這一成果客觀上推進(jìn)了先天性巨結(jié)腸病理診斷的進(jìn)程，同時(shí)能夠減輕醫(yī)生的工作量，具有重要的醫(yī)學(xué)價(jià)值和研究價(jià)值。然而，結(jié)腸活檢的冰凍切片形態(tài)復(fù)雜，識(shí)別難度大。在術(shù)中冰凍病理診斷中，醫(yī)生的診斷時(shí)間緊迫，而本文所開發(fā)的軟件對(duì)石蠟切片中神經(jīng)節(jié)細(xì)胞的識(shí)別效果優(yōu)于對(duì)冰凍切片中神經(jīng)節(jié)細(xì)胞的識(shí)別效果，對(duì)冰凍切片中神經(jīng)節(jié)細(xì)胞的識(shí)別性能有待提高。因此，本研究將收集更多的數(shù)據(jù)，結(jié)合深度學(xué)習(xí)算法進(jìn)行深入研究，并與醫(yī)院病理系統(tǒng)相結(jié)合，融入多維度信息，包括臨床信息、影像數(shù)據(jù)等，在大量的臨床數(shù)據(jù)樣本中構(gòu)建可解釋的先天性巨結(jié)腸疾病診療模型，以期更好地應(yīng)用于病理實(shí)踐。

作者簡介：

李榕（1999-），女（漢族），大同，碩士生。研究領(lǐng)域：醫(yī)學(xué)圖像處理，醫(yī)學(xué)人工智能。

王慶煜（1990-），女（漢族），南通，主治醫(yī)師，本科。研究領(lǐng)域： 臨床兒科病理診斷。

趙鑫申（1999-），男（漢族），揚(yáng)州，碩士生。研究領(lǐng)域：醫(yī)學(xué)人工智能，醫(yī)學(xué)信息學(xué)。

賈子健（1989-），男（漢族），朝陽，講師，博士。研究領(lǐng)域：醫(yī)學(xué)圖像處理。

吳瀅（1972-），女（漢族），如皋，主任醫(yī)師，博士。研究領(lǐng)域：兒童腎臟病理診斷，藥物性腎毒性機(jī)制研究。本文通信作者。