在毒理学研究和新药开发中，胰腺因其组织结构的复杂性（包括腺泡、胰岛、血管、导管、神经、结缔组织等）成为病理定量分析中最具挑战性的器官之一。传统的人工阅片方法耗时长、主观性强、重复性差，限制了在大规模研究中的应用。
为了解决这一难题，耀速科技与辉瑞合作开发了一种以深度学习为核心的自动化组织识别与定量系统，近期在Toxicologic Pathology杂志以题为“Deep Learning Methodology for Quantification of Normal Pancreas Structures”的研究成果正式发表。这一系统以U-Net结构为基础，集成了染色标准化、语义分割、定量分析与可视化交互等多个模块，可实现对H&E染色切片中七类胰腺组织的精准识别，并在跨实验室、多模型动物研究中表现出良好的稳定性与适应性。
模型构建
研究采用了U-Net深度神经网络架构进行语义分割，目标是识别腺泡、胰岛、血管、导管、脂肪、神经与结缔组织等七类组织区域。首先通过Visiopharm软件对H&E切片进行人工标注，并构建训练集。随后模型在来自三个实验室的共163张切片上完成训练与验证。
胰腺低倍与高倍图像上的人工标注结果显示，各类结构颜色清晰区分，建立了明确的训练金标准。
图1. 胰腺注释结构示意图
在HE染色切片的区域中，展示低倍镜（A）和高倍镜（B）下的人工注释结果，注释结构包括腺泡（深蓝色）、胰岛（绿色）、血管（红色）、结缔组织（黄色）、导管（粉色）、脂肪组织（浅蓝色）和神经（紫色）
经过多轮迭代训练，模型的分割输出表现出良好的贴合度与边界清晰度，AI系统在多种组织结构边界上的识别准确性远超传统方法。
图2. 训练后模型对胰腺结构的分割边界示意图
由于H&E染色在不同实验室存在显著批次差异，研究团队引入了颜色归一化模块以增强模型的跨平台适应能力。结果表明，原始图像与归一化图像在结构识别上的差异，归一化处理显著减少了胰岛与腺泡的误判。
图3. 胰腺图像及分割结果的染色归一化前后对比：A. 原始图像；B. 原始图像分割结果；C. 归一化后图像；D. 归一化后分割。归一化处理有效减少了腺泡（橄榄绿）误判为胰岛（黄色）或血液（亮绿色）的情况
模型不仅识别常规结构，还通过特征增强算法精准标注腺泡颗粒区域（zymogen granules），以作为腺泡功能状态的量化依据。下图展示了该模块在切片图像中的识别边界，说明其可用于后续毒理功能评价。
4. Zymogen颗粒分割图
多模型验证与毒理应用
在糖尿病动物模型的验证研究中，研究人员通过AI系统自动提取胰岛与腺泡的面积比，作为胰岛功能变化的量化指标。结果显示，在Spontaneously Diabetic Torii (SDT) 和 Sprague-Dawley (SD) 大鼠之间，该指标存在显著差异，且与传统病理评分高度相关（Spearman rho = –0.80，p < .0001）。
图5. 不同动物模型中胰岛/腺泡面积比值的量化结果
在另一个以药物诱导胰腺损伤为目的的毒理研究中，研究团队通过AI系统量化zymogen（腺泡酶颗粒）/腺泡面积比，并在不同剂量组中观察到剂量依赖性下降趋势。该指标不仅在雄性动物中下降明显，在雌性动物中也表现出一致性变化，该参数与病理学评分的相关性为Spearman rho = –0.46（p = 0.003），表明该方法可用于早期毒理标志物发现。
图6. Zymogen定量分析结果
系统的稳定性和再现性亦经过系统评估。在结构识别方面，通过Dice系数量化模型预测与人工标注的一致性，大多数结构类型分数均在0.85以上，其中腺泡、胰岛、血管区域表现尤为优秀。在批次间验证中，不同实验室、不同操作人员采集的切片数据中，AI输出结果在±2%的误差范围内波动，进一步证明了该系统在工业级应用中的可重复性与可靠性。
此外，研究还发现AI模型对边界模糊区域的识别具有独特优势。例如，对于部分结构模糊或染色不均的切片区域，模型依然可通过上下文结构模式实现可靠分类，有望替代低质量图像的人工校正步骤。
应用前景与平台价值
为了推动该系统在非临床领域的广泛应用，研究团队同步开发了一套完整的图形化平台，涵盖从图像导入、染色标准化、结构分割、定量报告生成到数据导出等全流程操作（图7）。用户无需编程背景，即可实现高效、可溯源的病理图像量化分析。
图7. 从数据准备到模型部署的工作流程图
AI图像分析系统的加入，为器官芯片实验提供了结构级、功能级的高通量数据解读能力。以此次胰腺模型为例，AI平台可自动识别类器官结构的形态变化、功能衰退标志（如zymogen下降、胰岛体积变化），并与实验处理剂量、时间点进行关联分析，从而支持机制研究、毒性筛选与早期预警。
该平台特别适用于高通量毒理筛选、慢病动物模型监测、再生医学研究等多场景，且已在耀速科技内部器官芯片平台与WetGPT™ AI系统中实现部署联动，构建了从组织建模到图像识别、从结构分析到代谢评估的AI + MPS闭环流程。
平台可广泛适配各类病理图像数据，赋能药效评估、毒性预测与机制研究等关键环节，正逐步成为推动图像分析标准化、自动化、智能化转型的核心引擎之一。
文献来源：
Xie ZY, Xu Y, Chen J, et al. Deep Learning Methodology for Quantification of Normal Pancreas Structures. Toxicologic Pathology. 2025. DOI: https://doi.org/10.1177/01926233241252745
END
关于耀速科技
耀速科技 2021 年底创立于美国波士顿，是全球首家利用器官芯片结合高内涵三维（3D）细胞成像，计算机视觉（CV）和人工智能（AI）进行药物发现和精准医学研究的 “3D-Wet-AI” 生物科技初创公司。耀速创始团队成员多来自于知名跨国生物医药企业及哈佛大学，麻省理工学院等顶尖科研院所，具有丰富的工业界医药产品开发和前沿生物与AI技术研发经验。耀速正作为全球唯一一家器官芯片公司和 FDA 与跨国药企联盟一道共同开发制定下一代基于器官芯片的临床前药效检测标准。耀速科技与多家生物制药公司和科研院所开展了战略与科研合作。