胆道闭锁（biliary atresia, BA）患儿的肝纤维化程度是预测其预后、选择治疗方案及评价手术效果的关键指标。然而，传统的肝纤维化评分系统未能充分考虑与BA预后相关的特征，且受限于观察者的主观性。目前，深度学习模型在肝纤维化评估中已展现出了良好的潜力，但在临床部署中，模型需要在有限的计算资源下兼顾精度与效率。因此，本研究构建了基于动态空间信息轻量化网络（Dynamic SpatialLite-EfficientNet, DSL-Net）的BA肝纤维化评估模型，以期为BA肝纤维化的评估提供更为精准且高效的辅助工具。

选取2018年1月至2024年12月于天津市儿童医院接受Kasai手术的530例BA肝活检组织的H&E全切片图像，按8:1:1的比例随机分为训练集、验证集和测试集。在训练集和验证集中，基于本团队先前发表的BA特异性肝纤维化分级系统构建DSL-Net模型。在测试集中，DSL-Net模型与其他图像分割模型进行定量性能对比，同时邀请6名病理医师进行肝纤维化判读，比较模型与病理医师的评估准确率。此外，通过与传统的肝纤维化评分系统比较，进一步验证DSL-Net模型在预测BA预后的效能。

在图像分割能力方面，DSL-Net模型的平均Dice系数为86.4±0.7%。在计算效率方面，DSL-Net模型的参数量为6.9M，FLOPs为0.5G。在肝纤维化评估（≥3期）中，DSL-Net模型的AUC达到0.906，与本院的两名高级职称病理医师的表现相当。在DSL-Net模型的辅助下，两名外院进修的初级职称病理医师和一名本院的中级职称病理医师的AUC分别从0.685、0.867和0.837提升至0.916（P = 0.008）、0.907（P = 0.005）和0.948（P = 0.021）。与Metavir和Ishark评分系统相比，DSL-Net模型在预测自体肝生存（native liver survival, NLS）方面也展现出较好的潜力，2年和5年NLS的AUC分别为0.8232（P = 0.013；P = 0.046）和0.7845（P = 0.144；P = 0.656）。

DSL-Net模型在评估BA肝纤维化和预测短期自体肝生存方面具有较高的准确性，且其参数量和计算量与主流轻量级模型相当。未来，该模型有望应用于BA肝纤维化的评估，从而更好地指导临床决策。