HOTSPoT模型：基于Transformer的肝脏病理学开源工具实现门管区自动分割新突破

本研究针对肝脏病理学中人工智能应用局限、现有工具缺乏外部验证等问题，开发了基于Transformer的开源模型HOTSPoT，用于H&E染色肝活检全切片图像中门管区的自动分割。通过多中心223例数据集验证，模型在训练/验证集和测试集的平均Dice分数分别达0.92和0.91，与手动评估结果高度一致（k=0.90）。该工具首次实现门管区面积与纤维化分期的强相关性量化（r=0.87），为肝脏疾病研究提供标准化分析平台。

　　

在数字病理学革命席卷医疗领域的今天，肝脏病理诊断仍面临严峻挑战——传统显微镜分析依赖主观经验，而现有AI工具要么适用范围狭窄，要么缺乏跨机构验证。尤其对于自身免疫性肝炎（AIH）、原发性胆汁性胆管炎（PBC）等罕见肝病，精确评估门管区炎症和纤维化程度对诊疗至关重要，却长期缺乏高效、标准化的分析手段。

意大利米兰-比可卡大学IRCCS San Gerardo dei Tintori基金会的研究团队联合欧洲罕见肝病参考网络（ERN RARE-LIVER）的多国专家，开发出名为HOTSPoT（Hematoxylin & Eosin-based Open-access Tool for Segmentation of Portal Tracts）的开源模型。这项发表于《npj Digital Medicine》的研究，首次将Transformer架构成功应用于肝脏病理图像分割，通过多中心协作破解了算法泛化性难题。

研究团队采用三项核心技术：1）收集来自8国11个医疗中心的223例H&E染色肝活检样本构建多源异构数据集；2）基于SegFormer-b2架构开发轻量化模型（仅15MB），支持1-2μm/px双分辨率分析；3）创新性整合WSInfer库和QuPath平台，实现全切片图像（WSI）级GeoJSON标注输出。

模型开发
HOTSPoT在包含54,338个图像块的训练中，仅用10.6小时即达到最优性能。测试集显示模型对门管区、肝小叶和背景的分割交并比（IoU）分别为0.73、0.91和0.87，且在不同扫描设备（Hamamatsu/Aperio/3DHISTECH）间保持稳定。值得注意的是，2μm/px分辨率下门管区识别Dice系数达0.83，证明其适用于常规病理扫描设置。

临床验证
在35例临床样本测试中，模型自动计数的门管区数量与病理学家手动结果高度一致（κ=0.90）。更突破性的发现是，门管区面积占比与Ludwig纤维化分期呈现强相关性（r=0.87, p<0.001），这意味着HOTSPoT可能替代特殊染色实现纤维化快速评估。如图3所示，从F0到F4期门管区面积呈阶梯式增长，为无创诊断提供新思路。

技术对比
相较于既往研究，HOTSPoT展现出显著优势：1）较MUSA-UNet提升跨病种稳定性（PBC/AIH/GVHD测试集IoU均>0.82）；2）比DeepLabv3改进小病灶识别（<100μm的胆管误判率降低37%）；3）突破商业软件局限，成为首个支持WSI级开源分析的解决方案。

这项研究的里程碑意义在于：首先，其15MB的轻量化设计使得在常规病理工作站部署成为可能，平均单切片分析仅需1.3秒；其次，通过门管区自动量化首次建立形态学参数与纤维化分期的数学关系；更重要的是，开源策略（代码发布于GitHub）将推动肝脏病理学进入可重复研究新时代。正如讨论部分指出，该模型不仅适用于炎症定位分析，未来还可拓展至空间组学数据整合，为探索肝病机制提供全新研究范式。

局限性在于对重度炎症样本（如急性肝炎）中假性门管区的误判率仍达12%，且需进一步验证在儿童肝病中的应用效果。但毫无疑问，HOTSPoT为数字病理学树立了新标杆——它证明通过精心设计的Transformer架构和严谨的多中心验证，AI完全可以胜任复杂肝脏微解剖结构的精确解析。