Purpose This study aimed to evaluate the efficacy of a new automated method for the evaluation of histopathological images of pterygium using artificial intelligence. Methods An in-house software for automated grading of histopathological images was developed. Histopathological images of pterygium (400 images from 40 patients) were analysed using our newly developed software. Manual grading (I–IV), labelled based on an established scoring system, served as the ground truth for training the four-grade classification models. Region of interest segmentation was performed before the classification of grades, which was achieved by the combination of expectation-maximisation and k -nearest neighbours. Fifty-five radiomic features extracted from each image were analysed with feature selection methods to examine the significant features. Five classifiers were evaluated for their ability to predict quantitative grading. Results Among the classifier models applied for automated grading in this study, the bagging tree showed the best performance, with a 75.9% true positive rate (TPR) and 75.8% positive predictive value (PPV) in internal validation. In external validation, the method also demonstrated reproducibility, with an 81.3% TPR and 82.0% PPV for the average of four classification grades. Conclusions Our newly developed automated method for quantitative grading of histopathological images of pterygium may be a reliable method for quantitative analysis of histopathological evaluation of pterygium. Data are available upon reasonable request. Not applicable.

中文翻译：

---

使用人工智能对翼状胬肉进行自动组织病理学评估

目的 本研究旨在评估一种使用人工智能评估翼状胬肉组织病理学图像的新型自动化方法的有效性。方法 开发了一种用于组织病理学图像自动分级的内部软件。使用我们新开发的软件分析了翼状胬肉的组织病理学图像（来自 40 名患者的 400 张图像）。基于已建立的评分系统标记的手动评分 (I–IV) 作为训练四级分类模型的基本事实。兴趣区域分割在成绩分类之前进行，这是通过期望最大化和 k 最近邻的组合实现的。使用特征选择方法分析了从每幅图像中提取的 55 个放射组学特征，以检查重要特征。评估了五个分类器预测定量分级的能力。结果 在本研究应用于自动分级的分类器模型中，bagging tree 表现最好，内部验证的真阳性率 (TPR) 为 75.9%，阳性预测值 (PPV) 为 75.8%。在外部验证中，该方法还证明了重现性，四个分类等级的平均值为 81.3% TPR 和 82.0% PPV。结论 我们新开发的翼状胬肉组织病理学图像定量分级自动化方法可能是翼状胬肉组织病理学评估定量分析的可靠方法。可根据合理要求提供数据。不适用。结果 在本研究应用于自动分级的分类器模型中，bagging tree 表现最好，内部验证的真阳性率 (TPR) 为 75.9%，阳性预测值 (PPV) 为 75.8%。在外部验证中，该方法还证明了重现性，四个分类等级的平均值为 81.3% TPR 和 82.0% PPV。结论 我们新开发的翼状胬肉组织病理学图像定量分级自动化方法可能是翼状胬肉组织病理学评估定量分析的可靠方法。可根据合理要求提供数据。不适用。结果 在本研究应用于自动分级的分类器模型中，bagging tree 表现最好，内部验证的真阳性率 (TPR) 为 75.9%，阳性预测值 (PPV) 为 75.8%。在外部验证中，该方法还证明了重现性，四个分类等级的平均值为 81.3% TPR 和 82.0% PPV。结论 我们新开发的翼状胬肉组织病理学图像定量分级自动化方法可能是翼状胬肉组织病理学评估定量分析的可靠方法。可根据合理要求提供数据。不适用。该方法还证明了重现性，四个分类等级的平均值为 81.3% TPR 和 82.0% PPV。结论 我们新开发的翼状胬肉组织病理学图像定量分级自动化方法可能是翼状胬肉组织病理学评估定量分析的可靠方法。可根据合理要求提供数据。不适用。该方法还证明了重现性，四个分类等级的平均值为 81.3% TPR 和 82.0% PPV。结论 我们新开发的翼状胬肉组织病理学图像定量分级自动化方法可能是翼状胬肉组织病理学评估定量分析的可靠方法。可根据合理要求提供数据。不适用。