在非酒精性脂肪肝的診斷以及肝臟移植手術前，須由病理科醫師對肝臟進行評估，脂肪肝的嚴重程度是以脂肪油滴的大小、分布及其面積占比作為判斷的依據。我們開發了一個基於深度學習的方法，用來偵測肝臟組織病理切片中的脂肪油滴，以快速且準確的評估脂肪油滴的面積占比，協助醫師更正確的判斷脂肪肝的嚴重程度。

我們的方法與直接套用MASK-RCNN預測油滴的方法以及國際偵測油滴的方法作比較，以F1分數分別測量各方法偵測大顆油滴或是小顆油滴的準確度，實驗結果顯示不論是針對大顆油滴或是較難偵測的小顆油滴我們的方法都有顯著的改善，F1分數分別達到92以及72。

本系統在顯微鏡上以AI自動偵測脂肪油滴，我們可快速計算出油滴面積，已達實際運用之標準。此技術可協助建立油滴面積占比與脂肪肝嚴重程度之客觀標準，以作為非酒精性脂肪肝的診斷依據，以及更準確地評估肝臟移植手術的肝臟品質。