AI-Powered Digital Pathology: Enhancing Fibrosis Diagnosis and Quantification

In this thesis, I explore the integration of artificial intelligence (AI) and advanced imaging techniques to enhance the diagnosis and quantification of fibrosis, with applications extending from biomaterial biocompatibility to liver disease assessment. As part of the Horizon 2020 IN2SIGHT project, we utilized a chicken embryo chorioallantoic membrane (CAM) model to study tissue recolonization following the implantation of our novel Microatlas device. Using multi-modal imaging including confocal fluorescence and second harmonic generation (SHG) microscopy, I captured high-resolution 3D images of the tissue-biomaterial interface. I implemented an unsupervised neural network, Noise2Void, for image denoising, enabling accurate 3D segmentation and quantification of cellular features. In parallel, I developed a computer vision-based approach for quantifying fibrosis in human liver biopsies from patients with Metabolic Dysfunction Associated SteatoHepatitis (MASH). Using digitized Sirius Red-stained whole slide images (WSIs), I employed stain deconvolution to extract quantitative features such as estimated collagen area (ECA) and entropy of collagen (EnC). This method demonstrated enhanced sensitivity in detecting treatment-induced changes compared to traditional histopathological staging, offering a more nuanced assessment of fibrosis progression. I then evaluated ChatGPT-4-vision's capability in assessing liver fibrosis stages. This study compared the AI's performance against expert pathologists, providing insights into the potential and limitations of large language models with visual understanding as diagnostic assistants in pathology. Further advancing my analysis, I employed a deep learning-based segmentation model (UNet3+) for collagen quantification in liver biopsy images. Beyond accurate segmentation, I explored the model's latent space to extract features that could serve as novel diagnostic criteria. Additionally, to address limited sample availability, I employed a cycle-consistent generative adversarial network (cGAN) to simulate fibrosis progression. This innovative approach generated synthetic images of healthy and fibrotic liver tissue, demonstrating potential for expanding AI training resources and enhancing the robustness of diagnostic algorithms. My research demonstrates the potential of AI and advanced imaging to enhance fibrosis assessment, offering improved objectivity and sensitivity. These methods promise to advance diagnostic accuracy, disease monitoring, and treatment evaluation in fibrotic diseases and tissue engineering, with broad implications for digital pathology and biomedical imaging.

In questa tesi si esplora l'integrazione dell'intelligenza artificiale (AI) e di tecniche di microscopia avanzate per migliorare la diagnosi e la quantificazione della fibrosi, con applicazioni che spaziano dalla biocompatibilità dei biomateriali alla valutazione delle malattie epatiche. Nell'ambito del progetto IN2SIGHT (Horizon 2020), sono stati utilizzati modelli di membrana corioallantoidea (CAM) estratti da embrioni di pollo per studiare la ricolonizzazione dei tessuti in seguito all'impianto del dispositivo Microatlas, sviluppato nell’ambito del progetto. Attraverso microscopia multimodale, inclusa microscopia confocale a fluorescenza e la generazione di seconda armonica (SHG), sono state acquisite immagini 3D ad alta risoluzione dell'interfaccia tessuto-biomateriale. È stato implementata una rete neurale non supervisionata, Noise2Void, per la riduzione del rumore nelle immagini, consentendo un'accurata segmentazione e quantificazione 3D delle caratteristiche cellulari. In parallelo, è stato sviluppato un approccio basato sulla visione computerizzata per la quantifica della fibrosi in biopsie epatiche umane di pazienti con Steatoepatite Metabolica Associata a Disfunzione (MASH). Le biopsie sono state colorate tramite PicroSirius Red per evidenziarne la deposizione di collagene e in seguito digitalizzate. Successivamente, è stata applicata la deconvoluzione della colorazione per estrarre caratteristiche quantitative come l'area stimata del collagene (ECA) e l'entropia del collagene (EnC). Questo metodo ha dimostrato una maggiore sensibilità nel rilevare cambiamenti indotti dal trattamento farmacologico rispetto alla stadiazione istopatologica tradizionale, offrendo una valutazione più precisa della progressione della fibrosi. È stata successivamente valutata la capacità di ChatGPT-4-vision di classificare i diversi stadi della fibrosi epatica. Questo studio ha confrontato le prestazioni dell'AI con quelle di patologi esperti, fornendo spunti sul potenziale e sui limiti dei large language models (LLMs) come assistenti diagnostici. Per un'analisi più avanzata, è stato utilizzato un modello di segmentazione basato su deep learning (UNet3+) per la quantificazione del collagene nelle immagini di biopsie epatiche. Oltre a fornire risultati di segmentazione accurati, sono state estratte le features dello spazio latente del modello per esplorarne l’uso come nuovi parametri per la quantifica della patologia. Inoltre, per affrontare la limitata disponibilità di campioni durante la costruzione di dataset, è stata impiegata una rete generativa avversaria (cycleGAN) per simulare la progressione della fibrosi. Tramite questo questo approccio è stato possibile generare immagini sintetiche di tessuto epatico sano o fibrotico, dimostrando il potenziale per ampliare le risorse di addestramento dell'AI e migliorarne la robustezza. Questa ricerca dimostra il potenziale dell’AI e dell’imaging multimodale nel migliorare la valutazione della fibrosi, offrendo maggiore oggettività e precisione. Questi metodi promettono di migliorare l'accuratezza diagnostica, il monitoraggio delle malattie e la scelta dei trattamenti nelle malattie fibrotiche e nell'ingegneria tissutale, con implicazioni per la patologia digitale e l'imaging biomedico.