海洋学研究 >

2024 , Vol. 42 >Issue 3: 64 - 74

DOI: https://doi.org/10.3969/j.issn.1001-909X.2024.03.005

研究综述

基于深度学习的生物组织病理图像分析在海洋监测中的发展潜力及案例分析

  • 邸雅楠 , 1, 2 ,
  • 赵若轩 2 ,
  • 徐建洲 1, 2
展开
  • 1.浙江大学 海南研究院,海南 三亚 572025
  • 2.浙江大学 海洋学院,浙江 舟山 316021

邸雅楠(1980—),女,甘肃省兰州市人,副教授,主要从事生态毒理学研究,E-mail:。

收稿日期: 2023-12-30

  修回日期: 2024-07-12

  网络出版日期: 2024-11-25

基金资助

国家自然科学基金项目(42230404)

国家自然科学基金项目(41976129)

收起

Deep learning-based histopathological analysis and its potential application in marine monitoring: A review and case study

  • DI Ya’nan , 1, 2 ,
  • ZHAO Ruoxuan 2 ,
  • XU Jianzhou 1, 2
Expand
  • 1. Hainan Institute, Zhejiang University, Sanya 572025, China
  • 2. Ocean College, Zhejiang University, Zhoushan 316021, China

Received date: 2023-12-30

  Revised date: 2024-07-12

  Online published: 2024-11-25

Fold

摘要

生物组织病理指标可用于评价海洋生物健康,但在应用中存在效率低、成本高、主观性强等缺陷。将人工智能技术引入生物组织病理分析,可以发挥其高通量的图像分析优势,突破其在海洋生物健康评价和监测中的应用限制。该文通过对海洋生物组织健康评价指标、人工智能技术的图像分析应用以及利用人工智能开展组织病理图像处理的文献调研,提出基于深度学习的海洋动物组织病理图像分析思路,并以海洋贻贝作为模式生物进行技术开发。经过对贻贝鳃组织病理影像数据的训练、验证和预测等过程,确定Res-UNet深度学习模型可对贻贝在典型环境污染物胁迫下的病理损伤进行高效、准确定量,构建了一种能够自动化、高通量和弱主观性地分析海洋贻贝组织病理影像的工作流程,为海洋生物健康评价、海洋监测提供新思路与新技术。

关键词： 人工智能; 神经网络; 病理图像处理; 生物健康评价; 海洋模式生物; 海洋贻贝; 组织病理定量; 鳃丝面积

本文引用格式

邸雅楠 , 赵若轩 , 徐建洲 . 基于深度学习的生物组织病理图像分析在海洋监测中的发展潜力及案例分析[J]. 海洋学研究, 2024 , 42(3) : 64 -74 . DOI: 10.3969/j.issn.1001-909X.2024.03.005

Abstract

Histopathological indexes can be used to assess health of organism, but their application faces challenges such as low efficiency, high cost and strong subjectivity. Introducing artificial intelligence (AI) technology into histopathological analysis of biological tissues can leverage its high-throughput image analysis capabilities, overcoming the limitations in assessing and monitoring marine organism health. Based on our review on health assessment indicators of marine organisms, the application of AI in image analysis, and the use of AI for histopathological image processing, a deep learning-based histopathological image analysis approach was proposed using gill tissues of marine mussels as representative. Through a series of processes such as training, validation, and prediction of histopathology images, it was determined that the Res-UNet deep learning model can efficiently and accurately quantify histopathological damage in mussels’ gills. An automated, high-throughput, and less subjective workflow based on deep learning was finally established, offering new ideas and techniques for marine organism health assessment and marine monitoring.

Key words： artificial intelligence; neural networks; histopathological image processing; biological health assessment; marine model organisms; marine mussels; quantitative histopathology; gill filament area

0 引言

海洋生态系统是由海洋生物与其生活环境所构成的复杂系统,通过物质交换与能量流动维持稳态[1]。随着频繁的人类活动,大量污染物排放入海,全球近岸海洋生态系统正经历着珊瑚礁白化、赤潮频发、物种资源衰退等一系列问题[2-3]。监测、预报海洋生态系统变化,维持生态系统稳定,实现海洋资源的可持续利用,需要掌握海洋环境变化下的生物健康状况[4]。生物不同水平的生理指标,如:分子水平的特定功能酶活性、关键蛋白表达和基因表达[5-6],细胞水平的细胞增殖和凋亡状态、细胞存活率[7-8],组织水平的组织病理损伤[9]以及个体水平的存活率、繁殖率和心率等[10⇓⇓⇓-14],既可以直观体现生物健康状况,又可以综合反映生态系统变化[15]。然而,如何有效、快速整合海量且复杂的生理响应数据并进行准确分析,成为利用生物健康指标开展海洋监测的瓶颈之一。
人工智能在高通量数据分析和图像处理中具有绝对优势,已广泛应用于海洋观测、海洋现象识别和海洋要素预报等科学研究中[16-17]。人工智能在海洋生物监测数据的快速、高效整合方面也取得了一些进展,如GONZÁLEZ-RIVERO等[18]构建了一种珊瑚礁健康自动监测系统,通过深度学习进行珊瑚礁群落遥感图像的识别、礁体白化程度的计算,处理速度比传统方法快了至少200倍,且成本仅为原来的1%。而在医学领域,人工智能已成熟应用于医学影像的高通量分析中,在疾病的早期诊断及治疗方案制定等方面都发挥着重要作用[19-20]。
本文阐述了海洋生物组织病理指标在生物健康评价中的研究现状与技术难点,人工智能在医学图像分析领域的应用以及利用人工智能评估海洋生物组织病理图像的应用案例,提出基于人工智能的生物组织病理图像分析工作流程,旨在拓展海洋生物组织病理分析在海洋监测中的应用空间。

1 生物组织病理指标在海洋监测中的应用

生物健康评价是生态监测中的重要任务,评价指标涵盖了从种群结构到分子功能、活性不同水平的生理响应[21-22],其中组织水平的病理性变化,如组织形状、大小和结构等的改变,是表征生物健康状况的可靠指标,当组织出现病理损伤时,生物或许能够短期存活,但健康已受到威胁,难以适应持续性的环境变化。FANTA等[23]发现暴露于有机磷农药的杂色兵鲇(Corydoras paleatus),其肝细胞会出现多态性、细胞质空泡化和细胞核移位等组织水平的结构异常,据此认为水体中的有机磷农药会影响鱼类健康。HSIEH等[24]在探究聚苯乙烯纳米塑料对南美白对虾(Litopenaeus vannamei)的毒性效应时发现,聚苯乙烯纳米塑料会导致虾的肠腺出现肠绒毛融合和萎缩、管腔萎缩、鳃丝萎缩和变形等病理损伤,表明聚苯乙烯纳米塑料对水生生物的健康损害。
众多海洋生物中,占据重要生态位的海洋贝类因分布广泛、行动能力弱、对环境变化可产生内源性生物响应等特征,成为海洋监测中的常见指示物种,提供有关海洋生态系统特征、变化趋势等宝贵信息。美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)自1986年至2011年间实行“贻贝监测(Mussel Watch)”计划,将贻贝(Mytilus sp.)、牡蛎(Crassostrea virginica)和斑马贻贝(Dreissena polymorpha)作为评估海洋环境中化学污染物水平及其生态风险的模式物种[25]。一些国家和国际组织以贝类作为典型生物开展全球监测,累积了丰富的环境响应数据[26⇓-28]。对原油泄漏海域紫贻贝(M. edulis)性腺的病理学分析发现,原油暴露会诱导雌性贻贝的卵泡发生退化并严重影响其生殖能力,这一结果表明贻贝难以适应原油泄漏后的海洋环境[29]。孟祥敬等[30]发现石墨烯暴露会引起地中海贻贝(M.galloprovincialis)鳃组织出现纤毛脱落、血细胞渗透和鳃丝肿胀等病理损伤,消化腺出现血细胞浸润、局部组织脱落和上皮细胞坏死等生理响应。MATOZZO等[31]通过组织病理学和其他生物指标联用的方法评估了意大利拉斯佩齐亚湾四个贻贝养殖场环境,结果显示所有站点的贻贝均表现出组织水平的损伤,其中鳃丝细胞脱落、消化腺上皮萎缩和消化管扩张是最常观察到的病理特征。
上述基于贻贝组织病理特征的生物健康评价多停留在定性层面,无法建立环境变化与生物健康损伤之间的剂量-效应关系;并且,由于组织病理特征识别主要依赖研究人员通过目视进行图像判读,存在主观性强、错误率高的缺陷[32]。针对贻贝中常见的组织损伤类型,研究人员开发了表征生物健康水平的半定量指标(Ih):首先对组织病理图像进行盲读,统计出每张图像中出现的病理损伤种类及出现频次,接着对不同病理特征所代表的损伤程度进行赋值(如血细胞浸润赋值1,纤维化赋值2,坏死赋值3等),再通过加权计算获得每张组织病理图像的Ih值[33]。CUEVAS等[34]采用贻贝(M.galloprovincialis)消化腺和性腺的半定量指标表征的健康状态来评估西班牙巴斯克海岸的污染水平,结果显示生活在污染最严重区域的贻贝,两种组织中的Ih值均显著高于生活在其他区域的贻贝,并且消化腺始终比性腺受到的损害更严重。COPPOLA等[35]在实验室进行聚乙烯亚胺官能化-氧化石墨烯(graphene oxide functionalized with polyethyleneimine,GO-PEI)和汞两种污染物的单独或复合暴露,发现贻贝(M. galloprovincialis)鳃和消化腺中的Ih指标均明显升高,表明当环境中存在这两种污染物时,会对贻贝健康造成损害。尽管Ih值可以通过定量数据反映环境变化对贻贝健康的损害程度,但是半定量指标本质上也是基于对病理图像的主观判断[36]。
为了更加客观、准确地反映贻贝的健康状态,研究人员进一步探索组织病理定量指标的开发。例如CARELLA等[37]开发了贻贝消化腺管腔面积、周长等定量指标,用以评估意大利那不勒斯湾赤潮对M.galloprovincialis健康的影响。本文的研究团队在前期研究中针对贻贝的消化腺开发了消化管腔面积、管腔壁面积、管腔壁周长和管腔壁厚度等定量指标,针对贻贝的鳃组织开发了鳃丝上皮面积、厚度等定量指标,并且通过不同环境胁迫下贻贝的健康状况和定量指标的对应关系,验证了指标的准确性和有效性[38]。组织病理定量指标的核心仍是基于对病理图像的分析,通常要求建立在大量样品观察的基础上。如经济合作与发展组织(Organization for Economic Cooperation and Development,OECD)提出,以细胞微核率作为基因毒性的判断指标时,每个样品需观察的细胞数应不少于2 000个[39]。可见,由于工作量巨大、耗时长、成本高等问题,限制了已开发的组织病理定量指标在海洋监测中的应用。

2 人工智能在医学组织病理图像分析中的应用

在过去的20年中,随着计算机硬件性能的不断提升,人工智能得到了迅猛发展,对全球社会各领域的发展都产生了重大影响[40]。深度学习是通过多层神经网络学习复杂数据特征的一种机器学习方法,具备对未知数据的预测和泛化能力,在计算机视觉、自然语言处理等领域都取得了显著进展[41]。2012年Alexnet首次展示了卷积神经网络(convolutional neural network,CNN)模型[42]在图像分析领域的优越性能。之后,各种基于深度学习的模型不断得到开发和性能优化,成功完成了多种分析任务,如医学组织病理图像的分类、分割和目标检测等[43⇓⇓⇓-47]。

2.1 图像分类任务

图像分类是计算机辅助诊断系统的任务之一,其目的是从输入的病理图像中区分恶性病变和良性病变,或识别特定疾病[48-49]。IIZUKA等[50]对胃和结肠的活检全切片图像进行了递归神经网络(recurrent neural networks, RNN)的训练,模型可以实现对临床腺癌、腺瘤和非肿瘤图像的准确分类,并且判读准确率高于专业病理分析人员。
2019年,GERTYCH等[51]通过CNN识别出实心、微乳头状、针状、楔形生长模式的肺腺癌组织和非肿瘤组织,准确量化了肺腺癌中不同生长模式组织的占比。2020年,FENG等[52]通过深度学习模型对乳腺癌的组织病理图像进行分类,分类准确率高达99.30%,性能比其他同类模型高2.88%。

2.2 图像分割任务

UNet及其衍生模型是医学图像分割中最常用的网络模型,完成从背景区域中识别并定位病变组织、目标结构的任务[53⇓⇓-56]。HERMSEN等[57]首次采用UNet模型对染色后的肾移植活检组织切片进行图像分割,针对切片中的肾小球结构的分割性能最佳(Dice指数为95%),同时对肾切除组织中肾小球结构的识别率可达92.7%,灵敏度较高。SONG等[58]报道了一种基于深度卷积神经网络开发的模型在临床的使用情况,通过对2 123张胃癌病理图像的训练,模型灵敏度接近100%,平均特异性达到80.6%。GRAHAM等[59]创建了一个基于大型且多样化的结肠数据集开发的Cerberus模型,模型对559张结肠全切片病理图像进行分割,实现对3.77亿个细胞核、90万个结肠腺体和210万个结肠管腔的成功定位。

2.3 目标检测任务

目标检测是指通过模型识别病理图像中不同种类的对象并将其进行准确归类的分析任务。YOLO(you only look once)是专门用于目标检测任务的网络模型,目前已经从v1升级到v8,在模型的性能、精度和灵活性等方面都得到了持续优化[46]。RIJTHOVEN等[60]将简化后的YOLO v2用于人体细胞核检测、分割、分类以及肿瘤淋巴细胞的检测,图像分割性能较原YOLO v2提高了3%,分析速度提升了4.3倍。RONG等[61]开发的HD-YOLO模型,在进行肺癌、肝癌和乳腺癌3种病变组织的病理学检测时,表现出计算速度快、计算资源需求低的优势。
由此可见,深度学习模型在临床病理图像分析任务中,尤其是在多种癌症相关病理图像的识别和分割方面,表现出良好的性能,并且,一些成熟的模型已经用于辅助医生进行病理诊断[48-49,51-52,62-63],为疾病的治疗争取宝贵时间。

3 基于深度学习的海洋生物组织病理图像分

析案例 生物的组织结构通常具有相似性,如人类结肠组织中的腺体与贻贝消化腺都是由腺管、腺泡、连接组织等腺体单位组成(图1)。在正常情况下,腺管和腺泡排列有序,形成规则的腺体结构;在病理情况下,这些结构会发生变化,如腺管扩张、萎缩、变形等[37,64]。这种变化的相似性表明在海洋生物组织病理图像的分析中,可借鉴人工智能处理医学影像的经验,开发出基于人工智能的高通量、自动化的海洋生物组织病理定量分析方法,推动相关组织病理指标在海洋监测中的应用[65-66]。
图1 人类及水生生物组织病理图像

Fig.1 Histopathological images of human and aquatic organisms

目前,应用深度学习技术分析海洋生物组织病理图像,输出组织病变水平的定量数据以指示海洋生物健康、开展海洋生态监测仍属空白。本文研究团队长期以海洋贻贝为对象开展生态毒理学研究,通过对其组织病理定量指标的挖掘,针对消化腺和鳃建立了相对稳定、可测的定量指标,前者包括消化管腔面积、管腔壁面积、管腔壁周长、管腔壁厚度,后者包括鳃丝上皮面积、厚度等(图2)[67-68],并应用深度学习技术对这些指标开展分析。下文以应用深度学习模型开展鳃丝厚度的定量分析为案例,进行阐述。
图2 本文研究团队前期建立的贻贝消化腺和鳃组织的定量指标[67-68]

Fig.2 The quantitative indicators for digestive gland and gill tissues of mussels established by our team[67-68]

3.1 贻贝Bap暴露实验和鳃组织病理图像获取

海洋环境中的有机物苯并芘(benzo(α)pyrene,Bap)是一种会对生物(如海洋贻贝)产生毒性效应的典型污染物。例如,BINELLI等[69]在评估Bap对斑马贻贝(Dreissena polymorpha)潜在遗传毒性时发现,暴露于0.1 μg/L、2 μg/L和10 μg/L Bap质量浓度下,贻贝的DNA损伤以及微核发生频率都显著增加。CHEN等[5]研究不同质量浓度Bap(5.6 μg/L和56 μg/L)暴露对贻贝的生理影响时发现,高质量浓度Bap暴露会导致贻贝血淋巴细胞中氧化压力增加、DNA损伤程度加剧。本文研究团队根据前期研究中发现的Bap暴露后导致贻贝鳃组织产生病理变化,如鳃丝纤毛脱落、血细胞浸润、鳃丝肥大或萎缩、鳃丝坏死等[70],构建了基于深度学习的鳃组织病理图像处理模型。
Bap暴露共设置3个实验组,分别为Control组(人工海水中培养的空白对照)、LBap暴露组(5.6 μg/L的Bap暴露,质量浓度接近污染海域中Bap环境质量浓度)、HBap暴露组(56 μg/L的高质量浓度Bap暴露,该质量浓度确定能够引起贻贝的基因毒性)。暴露实验为期6 d,期间严格控制培养条件,保证暴露体系的稳定。暴露结束后,每个实验组随机采集6只贻贝(n=6),解剖获得鳃组织后置于5%的福尔马林溶液,进行组织固定与保存。用DI等[70]所述的方法进行病理切片的制备,在400倍光学显微镜下进行观察,随机采集不同位置的病理图像,每个实验组不少于100张,用于后续分析。

3.2 贻贝鳃组织病理图像数据集的构建

用获得的鳃组织显微病理图像构建图像数据集,包括测试数据集、训练数据集和预测数据集。以鳃丝上皮面积作为定量指标,利用3D slicer(V5.2.2)对采集的组织病理图像进行人工标注,将临摹后的图像(图3a)转化成二值标记图,其中标记部分(白色)为1,背景部分(黑色)为0(图3b),每个实验组各标记图像50张,共获得150张二值标记图。二值标记图与其原始图像一起构成150对图像组合,随机选择其中20对作为测试数据集,剩余130对作为训练数据集。余下未标记的150张鳃组织病理图像作为预测数据集。
图3 贻贝鳃组织病理图像标注示意图

Fig.3 Schematic annotation of gill histopathologic images of marine mussels

3.3 深度学习模型的构建

3.3.1 深度学习模型的筛选与优化

根据文献调研,选择(UNet、LinkNet和FPN)三种适用于图像分割任务的深度学习模型架构,来完成分割病理图像中的目标区域(鳃丝上皮)的任务。模型训练完成后进行测试,采用准确率、IoU、Dice系数和HD95四个指标进行模型性能评价。在3个模型中UNet的综合表现最好,准确率达到了0.898 5,IoU值达到了0.745 5,Dice系数超过0.850 0,HD95为23.24(表1)。
表1 基于不同模型的图分割性能评价

Tab.1 Performance evaluation of image segmentation based on different models

评价指标 模型架构 骨架网络
UNet LinkNet FPN VGG16-UNet ResNet34-UNet EfficientNetB0-UNet
准确率 0.898 5±0.086 25 0.838 4±0.041 68 0.744 9±0.116 4 0.894 4±0.083 56 0.947 8±0.061 92 0.914 4±0.093 33
IoU 0.745 5±0.097 53 0.718 9±0.077 96 0.713 3±0.117 9 0.787 5±0.099 64 0.852 6±0.113 3 0.793 3±0.120 2
Dice系数 0.850 7±0.065 17 0.808 8±0.090 58 0.827 4±0.079 94 0.877 7±0.064 56 0.915 9±0.078 76 0.885 8±0.081 20
HD95 23.24±24.68 25.74±23.54 49.78±35.62 18.66±27.22 10.92±27.84 21.00±34.67

注:加粗的部分代表该模型的综合评价指标最优。

由于UNet原始模型通过单一的卷积层进行采样,模型深度较浅,容易出现过拟合问题,因此采用VGG16、ResNet34和EfficientNetB0骨架网络替换原单一卷积层,对模型进行进一步优化。结果显示,以ResNet34为骨架网络的UNet模型,准确率超过0.94,IoU值为0.852 6,Dice指数达到0.915 9,即ResNet34-UNet(Res-UNet)为最适用于海洋贻贝鳃组织病理图像分割任务的深度学习模型(表1)。

3.3.2 深度学习模型的预测与应用

利用前期筛选出的最佳模型对预测集中的组织病理图像进行处理和分析。模型输出512×512像素的二值图像,其中标记为1的代表鳃丝上皮面积,标记为0的代表背景(如图3b)。以标记为1的像素点个数作为各图中鳃丝上皮面积,对所有图像进行计数,计算鳃丝上皮面积的平均值。统计结果显示,相较于空白对照,经过Bap暴露的贻贝,其鳃丝上皮面积会显著减小,表现出鳃丝萎缩的现象(图4c),该结果与团队前期定性(图4a与4b)[70]与人工半定量分析结果(图4d)[38,68]一致,验证了模型的准确性。并且,通过人工半定量分析获取这些鳃组织病理数据耗时近1个月,而模型分析的用时仅为8 h。
图4 基于不同分析方法的贻贝鳃丝的病理变化

Fig.4 The histopathological alterations in gills of marine mussels based on different analyzing methods

3.4 工作流程

基于上述研究,本团队提出基于深度学习的海洋生物组织病理图像分析的工作流程(图5)。首先,根据海域特征确定指示生物(如贻贝、牡蛎、鱼类等)、靶标组织(如鳃,消化腺,性腺等)以及组织病理指标(如定性指标,半定量指标或者定量指标)。接着,针对靶标组织制作病理切片,在显微镜下观察、采集病理图像。随后,针对不同组织的病理指标,对组织图像进行特异性注释和数字化转化(即将图像信息转为数字格式),例如案例中选取贻贝鳃丝面积作为组织特异性的病理指标,采用图像分析软件(3D slicer)对图像中的鳃丝轮廓进行注释并转化成二值标记图,构建病理图像数据集。之后,选择合适的深度学习模型对目标组织病理图像开展训练,根据训练结果对模型结构进行优化以达到最佳预测性能。应用模型对目标生物在不同环境中的组织病理变化进行预测分析,其结果可作为生物健康的评价指标用于海洋监测。
图5 基于深度学习的海洋生物组织病理图像分析工作流程示意图

Fig.5 Deep learning-based workflow for histopathological image analysis of marine organisms

4 总结与展望

近年来,人工智能的开发与应用飞速发展,特别是其在医学病理诊断中作为精准诊疗过程中的辅助手段的成功应用,表明了它在生物组织病理图像分析领域的可行性,为基于海洋生物组织病理图像分析的海洋监测提供了新的思路。本文在前期海洋贻贝组织病理的研究基础上,提出了基于深度学习的生物组织病理图像处理与定量分析的工作流程,以贻贝鳃组织病理损伤的定量分析为案例,阐述了Res-UNet模型在海洋贻贝鳃组织病理图像分割任务中的优越性能,探讨了人工智能技术在海洋监测领域的应用前景。
与在海洋科学其他领域的研究相比,人工智能技术在海洋监测领域中的应用仍然面临巨大挑战,例如需要筛选不同生物、不同组织病理图像中的可定量指标,构建其与生物健康、生态健康的相关关系;需要足够多注释良好的,涵盖多生物、多组织的病理图像构成大规模数据集;需要训练更多具有强大表达能力和学习能力的大模型,如ResNet-101,ViT和SAM等。因此,希望能通过本文进一步拓展人工智能在海洋生物图像识别中的应用范畴,为从海洋生物组织层面进行海洋生态监测提供新工具,推动生态数据与技术共享。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
BOESCH D F, PAUL J F. An overview of coastal environ-mental health indicators[J]. Human and Ecological Risk Assessment: An International Journal, 2001, 7(5): 1409-1417.

[2]
GODSON P S, VINCENT S G T, KRISHNAKUMAR S. Ecology and biodiversity of benthos[M]. [S.l.]: Elsevier, 2022.

[3]
郭海峡, 蔡榕硕, 谭红建. 长江口及邻近海域浮游植物生态系统气候变化综合风险评估[J]. 应用海洋学学报, 2023, 42(4):549-558.

GUO H X, CAI R S, TAN H J. Assessment of climate change on comprehensive risks of phytoplankton ecosystem in Changjiang Estuary and adjacent waters[J]. Journal of Applied Oceanography, 2023, 42(4): 549-558.

[4]
YUAN S Y, LI Y, BAO F W, et al. Marine environmental monitoring with unmanned vehicle platforms: Present applications and future prospects[J]. Science of the Total Environment, 2023, 858: 159741.

[5]
CHEN S Y, QU M J, DING J W, et al. BaP-metals co-exposure induced tissue-specific antioxidant defense in marine mussels Mytilus coruscus[J]. Chemosphere, 2018, 205: 286-296.

[6]
GU Y Y, WEI Q, WANG L Y, et al. A comprehensive study of the effects of phthalates on marine mussels: Bioconcentration, enzymatic activities and metabolomics[J]. Marine Pollution Bulletin, 2021, 168: 112393.

[7]
VON MOOS N, BURKHARDT-HOLM P, KÖHLER A. Uptake and effects of microplastics on cells and tissue of the blue mussel Mytilus edulis L. after an experimental exposure[J]. Environmental Science & Technology, 2012, 46(20): 11327-11335.

[8]
REY-CAMPOS M, MOREIRA R, VALENZUELA-MUÑOZ V, et al. High individual variability in the transcriptomic response of Mediterranean mussels to Vibrio reveals the involvement of myticins in tissue injury[J]. Scientific Reports, 2019, 9:3569.

[9]
ROCHA T L, SABóIA-MORAIS S M T, BEBIANNO M J. Histopathological assessment and inflammatory response in the digestive gland of marine mussel Mytilus galloprovincialis exposed to cadmium-based quantum dots[J]. Aquatic Toxicology, 2016, 177: 306-315.

[10]
BRABY C E, SOMERO G N. Following the heart: Tem-perature and salinity effects on heart rate in native and invasive species of blue mussels (genus Mytilus)[J]. Journal of Experimental Biology, 2006, 209: 2554-2566.

[11]
SARÀ G, DE PIRRO M. Heart beat rate adaptations to varying salinity of two intertidal Mediterranean bivalves: The invasive Brachidontes pharaonis and the native Mytilaster minimus[J]. Italian Journal of Zoology, 2011, 78(2): 193-197.

[12]
ANANDRAJ A, MARSHALL D J, GREGORY M A, et al. Metal accumulation, filtration and O2 uptake rates in the mussel Perna perna (Mollusca: Bivalvia) exposed to Hg2+, Cu2+ and Zn2+[J]. Comparative Biochemistry and Physiology Part C: Toxicology & Pharmacology, 2002, 132(3): 355-363.

[13]
SOLÉ M, PORTE C, BARCELO D, et al. Bivalves residue analysis for the assessment of coastal pollution in the Ebro Delta (NW Mediterranean)[J]. Marine Pollution Bulletin, 2000, 40(9): 746-753.

[14]
WARD J E, ZHAO S, HOLOHAN B A, et al. Selective ingestion and egestion of plastic particles by the blue mussel (Mytilus edulis) and eastern oyster (Crassostrea virginica): Implications for using bivalves as bioindicators of micro-plastic pollution[J]. Environmental Science & Technology, 2019, 53(15): 8776-8784.

[15]
SALEM AL-HOWITI N, OUANES BEN OTHMEN Z, BEN OTHMANE A, et al. Use of Tridacna maxima, a bivalve in the biomonitoring of the Saudi Arabian Red Sea coast[J]. Marine Pollution Bulletin, 2020, 150: 110766.

[16]
DITRIA E M, BUELOW C A, GONZALEZ-RIVERO M, et al. Artificial intelligence and automated monitoring for assisting conservation of marine ecosystems: A perspective[J]. Frontiers in Marine Science, 2022, 9: 918104.

[17]
SONG T, PANG C, HOU B Y, et al. A review of artificial intelligence in marine science[J]. Frontiers in Earth Science, 2023, 11: 1090185.

[18]
GONZÁLEZ-RIVERO M, BEIJBOM O, RODRIGUEZ-RAMIREZ A, et al. Monitoring of coral reefs using artificial intelligence: A feasible and cost-effective approach[J]. Remote Sensing, 2020, 12(3): 489.

[19]
SHEN D G, WU G R, SUK H I. Deep learning in medical image analysis[J]. Annual Review of Biomedical Engineering, 2017, 19: 221-248.

DOI PMID

[20]
FUCHS T J, BUHMANN J M. Computational pathology: Challenges and promises for tissue analysis[J]. Compu-terized Medical Imaging and Graphics, 2011, 35(7/8): 515-530.

[21]
PROCTOR I E. What is histopathology and how to get the most out of your histopathologist[J]. British Journal of Hospital Medicine, 2015, 76(5): 66-68.

DOI PMID

[22]
ADYANTHAYA S, JOSE M. Quality and safety aspects in histopathology laboratory[J]. Journal of Oral and Maxillo-facial Pathology, 2013, 17(3): 402-407.

[23]
FANTA E, RIOS F S, ROMÃO S, et al. Histopathology of the fish Corydoras paleatus contaminated with sublethal levels of organophosphorus in water and food[J]. Ecotoxi-cology and Environmental Safety, 2003, 54(2): 119-130.

[24]
HSIEH S L, HSIEH S, XU R Q, et al. Toxicological effects of polystyrene nanoplastics on marine organisms[J]. Envi-ronmental Technology & Innovation, 2023, 30: 103073.

[25]
GEYER H, SHEEHAN P, KOTZIAS D, et al. Prediction of ecotoxicological behaviour of chemicals: Relationship between physico-chemical properties and bioaccumulation of organic chemicals in the mussel Mytilus edulis[J]. Chemo-sphere, 1982, 11(11): 1121-1134.

[26]
LI J N, LUSHER A L, ROTCHELL J M, et al. Using mussel as a global bioindicator of coastal microplastic pollution[J]. Environmental Pollution, 2019, 244: 522-533.

DOI PMID

[27]
SMITH J R, FONG P, AMBROSE R F. Dramatic declines in mussel bed community diversity: Response to climate change?[J]. Ecology, 2006, 87(5): 1153-1161.

PMID

[28]
张翼飞, 曲梦杰, 丁家玮, 等. 多环芳烃对海洋贝类多生物水平毒性效应的研究进展[J]. 生态毒理学报, 2019, 14(1):18-29.

ZHANG Y F, QU M J, DING J W, et al. Ecotoxicology: A review of multi-toxicity in marine bivalve induced by polycyclic aromatic hydrocarbons[J]. Asian Journal of Ecotoxicology, 2019, 14(1): 18-29.

[29]
AARAB N, MINIER C, LEMAIRE S, et al. Biochemical and histological responses in mussel (Mytilus edulis) exposed to North Sea oil and to a mixture of North Sea oil and alkylphenols[J]. Marine Environmental Research, 2004, 58(2/3/4/5): 437-441.

[30]
孟祥敬, 李斐, 王晓晴, 等. 石墨烯联合磷酸三苯酯(TPP)胁迫紫贻贝(Mytilus galloprovincialis)的生理生化响应[J]. 科学通报, 2020, 65(16):1599-1609.

MENG X J, LI F, WANG X Q, et al. Physiological and biochemistry responses of graphene combined with triphenyl phosphate (TPP) to Mytilus galloprovincialis[J]. Chinese Science Bulletin, 2020, 65(16): 1599-1609.

[31]
MATOZZO V, ERCOLINI C, SERRACCA L, et al. Assessing the health status of farmed mussels (Mytilus galloprovincialis) through histological, microbiological and biomarker analyses[J]. Journal of Invertebrate Pathology, 2018, 153: 165-179.

DOI PMID

[32]
WOLF J C, MAACK G. Evaluating the credibility of histo-pathology data in environmental endocrine toxicity studies[J]. Environmental Toxicology and Chemistry, 2017, 36(3): 601-611.

[33]
BASTI L, ENDO M, SEGAWA S, et al. Prevalence and intensity of pathologies induced by the toxic dinoflagellate, Heterocapsa circularisquama, in the Mediterranean mussel, Mytilus galloprovincialis[J]. Aquatic Toxicology, 2015, 163: 37-50.

[34]
CUEVAS N, ZORITA I, COSTA P M, et al. Development of histopathological indices in the digestive gland and gonad of mussels: Integration with contamination levels and effects of confounding factors[J]. Aquatic Toxicology, 2015, 162: 152-164.

DOI PMID

[35]
COPPOLA F, BESSA A, HENRIQUES B, et al. Oxidative stress, metabolic and histopathological alterations in mussels exposed to remediated seawater by GO-PEI after contamination with mercury[J]. Comparative Biochemistry and Physiology Part A: Molecular & Integrative Physiology, 2020, 243: 110674.

[36]
BERNET D, SCHMIDT H, MEIER W, et al. Histopathology in fish: Proposal for a protocol to assess aquatic pollution[J]. Journal of Fish Diseases, 1999, 22(1): 25-34.

[37]
CARELLA F, FEIST S W, BIGNELL J P, et al. Comparative pathology in bivalves: Aetiological agents and disease processes[J]. Journal of Invertebrate Pathology, 2015, 131: 107-120.

DOI PMID

[38]
李太伟. 海洋贻贝组织病理指标的深入挖掘与应用[D]. 杭州: 浙江大学, 2021.

LI T W. Deep investigation and application of histopatho-logical indices in marine mussels[D]. Hangzhou: Zhejiang University, 2021.

[39]
OECD. Test No. 487: In vitro mammalian cell micronucleus test[M]. 2023.

[40]
LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521: 436-444.

[41]
SARKER I H. Deep learning: A comprehensive overview on techniques, taxonomy, applications and research directions[J]. SN Computer Science, 2021, 2(6): 420.

[42]
KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[J]. Communications of the ACM, 2017, 60(6): 84-90.

[43]
HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, USA, 2016.

[44]
BI J R, ZHU Z L, MENG Q L. Transformer in computer vision[C]// 2021 IEEE International Conference on Computer Science, Electronic Information Engineering and Intelligent Control Technology (CEI). Fuzhou, China, 2021.

[45]
VASWANI A, SHAZEER N, PARMAR N, et al. Attention is all you need[C]// Proceedings of the International Conference on Neural Information Processing Systems (NIPS), Long Beach, USA, 2017.

[46]
HUSSAIN M. YOLO-v1 to YOLO-v8, the rise of YOLO and its complementary nature toward digital manufacturing and industrial defect detection[J]. Machines, 2023, 11(7): 677.

[47]
CIOCAN C M, CUBERO-LEON E, PUINEAN A M, et al. Effects of estrogen exposure in mussels, Mytilus edulis, at different stages of gametogenesis[J]. Environmental Pollution, 2010, 158(9): 2977-2984.

[48]
LEISER F, RANK S, SCHMIDT-KRAEPELIN M, et al. Medical informed machine learning: A scoping review and future research directions[J]. Artificial Intelligence in Medicine, 2023, 145: 102676.

[49]
YEARLEY A G, GOEDMAKERS C M W, PANAHI A, et al. FDA-approved machine learning algorithms in neuroradiology: A systematic review of the current evidence for approval[J]. Artificial Intelligence in Medicine, 2023, 143: 102607.

[50]
IIZUKA O, KANAVATI F, KATO K, et al. Deep learning models for histopathological classification of gastric and colonic epithelial tumours[J]. Scientific Reports, 2020, 10(1): 1504.

[51]
GERTYCH A, SWIDERSKA-CHADAJ Z, MA Z X, et al. Convolutional neural networks can accurately distinguish four histologic growth patterns of lung adenocarcinoma in digital slides[J]. Scientific Reports, 2019, 9: 1483.

DOI PMID

[52]
FENG Y Q, ZHANG L, MO J. Deep manifold preserving autoencoder for classifying breast cancer histopathological images[J]. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2020, 17(1): 91-101.

DOI PMID

[53]
LITJENS G, KOOI T, BEJNORDI B E, et al. A survey on deep learning in medical image analysis[J]. Medical Image Analysis, 2017, 42: 60-88.

DOI PMID

[54]
RONNEBERGER O, FISCHER P, BROX T. U-net: Convolutional networks for biomedical image segmentation[C]//Proceedings of the Medical Image Computing and Computer-Assisted Intervention. Munich, Germany, 2015.

[55]
ZHOU Z W, SIDDIQUEE M M R, TAJBAKHSH N, et al. UNet++: A nested U-net architecture for medical image segmentation[C]// Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support: 4th International Workshop. Granada, Spain, 2018.

[56]
GRAHAM S, CHEN H, GAMPER J, et al. MILD-Net: Minimal information loss dilated network for gland instance segmentation in colon histology images[J]. Medical Image Analysis, 2019, 52: 199-211.

DOI PMID

[57]
HERMSEN M, DE BEL T, DEN BOER M, et al. Deep learning-based histopathologic assessment of kidney tissue[J]. Journal of the American Society of Nephrology, 2019, 30(10): 1968-1979.

DOI PMID

[58]
SONG Z G, ZOU S M, ZHOU W X, et al. Clinically applicable histopathological diagnosis system for gastric cancer detection using deep learning[J]. Nature Commu-nications, 2020, 11: 4294.

[59]
GRAHAM S, VU Q D, JAHANIFAR M, et al. One model is all you need: Multi-task learning enables simultaneous histology image segmentation and classification[J]. Medical Image Analysis, 2023, 83: 102685.

[60]
RIJTHOVEN M V, SWIDERSKA-CHADAJ Z, SEELIGER K, et al. You only look on lymphocytes once[C]// The Inter-national Conference on Medical Imaging with Deep Learning, Amsterdam, Netherlands, 2018.

[61]
RONG R C, SHENG H, JIN K W, et al. A deep learning approach for histology-based nucleus segmentation and tumor microenvironment characterization[J]. Modern Pathology, 2023, 36(8): 100196.

[62]
CRUZ-ROA A, GILMORE H, BASAVANHALLY A, et al. Accurate and reproducible invasive breast cancer detection in whole-slide images: A deep learning approach for quantifying tumor extent[J]. Scientific Reports, 2017, 7: 46450.

[63]
KARIMI D, NIR G, FAZLI L, et al. Deep learning-based gleason grading of prostate cancer from histopathology images-role of multiscale decision aggregation and data augmentation[J]. IEEE Journal of Biomedical and Health Informatics, 2020, 24(5): 1413-1426.

DOI PMID

[64]
SIRINUKUNWATTANA K, PLUIM J P W, CHEN H, et al. Gland segmentation in colon histology images: The glas challenge contest[J]. Medical Image Analysis, 2017, 35: 489-502.

DOI PMID

[65]
VAN DER OOST R, BEYER J, VERMEULEN N P E. Fish bioaccumulation and biomarkers in environmental risk assessment: A review[J]. Environmental Toxicology and Pharmacology, 2003, 13(2): 57-149.

DOI PMID

[66]
YOUNIS E, ABDELWARITH D A, AL-ASGAH N, et al. Histological changes in the liver and intestine of Nile tilapia, Oreochromis niloticus, exposed to sublethal concentrations of cadmium[J]. Pakistan Journal of Zoology, 2013, 45: 833-841.

[67]
QU M J, XU J Z, YANG Y L, et al. Assessment of sulfamethoxazole toxicity to marine mussels (Mytilus galloprovincialis): Combine p38-MAPK signaling pathway modulation with histopathological alterations[J]. Ecoto-xicology and Environmental Safety, 2023, 249: 114365.

[68]
QU M J, DING J W, WANG Y, et al. Genetic impacts induced by BaP and Pb in Mytilus coruscus: Can RAPD be a validated tool in genotoxicity evaluation both in vivo and in vitro?[J]. Ecotoxicology and Environmental Safety, 2019, 169: 529-538.

[69]
BINELLI A, RIVA C, COGNI D, et al. Assessment of the genotoxic potential of benzo(α)pyrene and pp’-dichlorodi-phenyldichloroethylene in Zebra mussel (Dreissena polymor-pha)[J]. Mutation Research, 2008, 649(1/2):135-145.

[70]
DI Y N, SCHROEDER D C, HIGHFIELD A, et al. Tissue-specific expression of p53 and ras genes in response to the environmental genotoxicant benzo(α)pyrene in marine mussels[J]. Environmental Science & Technology, 2011, 45(20): 8974-8981.

Options
文章导航

/

〈 〉