# Challenges of automation in quantitative evaluation of liver biopsies: Automatic quantification of liver steatosis

## TL;DR

This paper explores how automated methods can improve the accuracy of liver biopsy evaluations for fatty liver disease by reducing variability between pathologists.

## Contribution

The study introduces a new area-based algorithm that integrates tissue composition data to improve the accuracy of liver steatosis quantification.

## Key findings

- Area-based approaches showed stronger correlations than cell nucleus-based methods for predicting steatosis grade.
- Incorporating tissue composition data reduced prediction errors for both area-based and cell nucleus-based methods.
- The final area-based algorithm achieved 80% accuracy and strong correlation with manual evaluations.

## Abstract

Die MASLD (metabolische Dysfunktion-assoziierte steatotische Lebererkrankung, oder nichtalkoholische Fettlebererkrankung [NAFLD]) ist eine häufige Erkrankung, deren Diagnose auf der lichtmikroskopischen Auswertung von Leberbiopsien basiert. Diese unterliegt jedoch einer großen Interbetrachtervariabilität (IBV), die durch Hinzunahme von automatisierten Methoden verringert werden kann.

Ein Großteil der bestehenden computerbasierenden Methoden reflektiert nicht das, was in der Realität vom Pathologen bewertet wird. Ziel ist es, aufzuzeigen, wie diese Unterschiede die Vorhersage des Verfettungsgrads (VG) beeinflussen. Zusätzlich erschwert die IBV die Validierung von Algorithmen.

Insgesamt 40 Gewebeschnitte wurden automatisch mit Bildanalysemethoden zur Fett‑, Zellkern- und Fibroseerkennung ausgewertet. Die Daten wurden verwendet, um den VG zu berechnen. Die IBV bei der Quantifizierung des VG wurde dabei an 18 Gewebeschnitten durch unterschiedliche Pathologen analysiert.

Flächenbasierte Ansätze erzielten stärkere Korrelationen als zellkernbasierte Methoden (⌀ Spearman-Rho [ρ] = 0,92 vs. 0,79). Die Hinzunahme von Informationen zur Gewebekomposition verringerte für flächenbasierte und zellkernbasierte Methoden den durchschnittlichen absoluten Vorhersagefehler um 0,5 % bzw. 2,2 %. Unser finaler flächenbasierter Algorithmus, der Informationen zum Gewebeaufbau integriert, erreichte eine hohe Genauigkeit (80 %) und starke Korrelation (⌀ ρ = 0,94) mit der manuellen Auswertung.

Die automatische und deterministische Bestimmung des VG lässt sich durch die Integration von Informationen der Gewebekomposition verbessern und kann dazu dienen, den Einfluss der IBV zu verringern.

Die Online-Version dieses Beitrags (10.1007/s00292-024-01298-6) enthält Abb. S1–S12.