面向胃肠道间质瘤的自动化有丝分裂检测：一种可解释机器学习框架及其临床转化价值

本文提出了一种针对胃肠道间质瘤（GIST）有丝分裂自动检测的可解释机器学习框架。研究通过双尺度级联策略（10×初筛ROI与40×精准检测）显著提升检测效能（F1值达0.89），并证实自动计数与Ki-67表达呈强相关性（r=0.6187）。SHAP可解释性分析揭示模型决策逻辑与病理诊断标准（如核膜解体、染色质凝集）高度吻合，为传统机器学习在精准病理诊断中的应用提供了新范式。

　　

Highlight

胃肠道间质瘤（GIST）作为最常见的胃肠道 submucosal 肿瘤，其恶性潜能评估高度依赖于有丝分裂指数（mitotic index）。传统显微镜计数存在劳动强度大与观察者间差异性的双重挑战，而现有模型难以适配GIST特有的梭形细胞形态。本研究首次构建针对GIST的机器学习自动检测框架，通过13,965个有丝分裂细胞标注数据集与六种算法对比，证实径向基支持向量机（SVM-RBF）在双放大倍数下均表现最优（10×: F1=0.83; 40×: F1=0.89）。

Method

研究采用仿临床实践的双阶段级联策略：首先通过10×模型快速定位感兴趣区域（ROIs），再利用40×模型实现精准检测与计数。该流程整合了细胞核分割、特征提取与特征选择模块，确保模型决策逻辑与病理学家诊断标准的一致性。

Patient Demographics and Pathological Characteristics

基于317例患者的383张H&E染色切片，研究纳入133张切片用于模型开发（其中90%为梭形细胞形态），剩余250张用于验证。绝大多数肿瘤有丝分裂指数低于5/50HPF，而人工筛选增加了中高风险GIST的占比以增强模型泛化能力。

Discussion

本研究突破性地解决了GIST组织切片中梭形细胞形态与有丝分裂稀少带来的检测难题。模型在细胞层级的高性能（F1>0.83）凸显其在数据标注、特征选择与临床适配方面的独特优势。通过建立首个GIST特化有丝分裂数据库与可解释分析框架，为传统机器学习在精准病理应用中的价值提供了有力证据。

Author contributions

董欣：研究构思与论文撰写；董佳强：算法开发与优化；牛敏：病理切片与数据收集；王月：数据标注辅助；缪立文：图像处理与特征提取；刘凯/折逸通：病理图像审阅；刘治国/韩莹：论文修订与研究指导。

Disclosures

所有作者声明无利益冲突。

Funding

本研究受国家重点研发计划（2023YFC2507403）与陕西省重点研发计划（2023-ZDLSF-36）资助。

CRediT authorship contribution statement

董欣：原创撰写/验证/软件/方法论；刘凯：资源/数据整理；董佳强：可视化/验证/软件；王月：形式分析/数据整理；牛敏：形式分析；折逸通：资源/数据整理；缪立文：形式分析/数据整理；刘治国：论文修订/监督/基金获取；韩莹：研究监督/方法论。

Declaration of Competing Interest

作者声明不存在可能影响研究结果的竞争性利益关系。