基于多实例学习的弱监督免疫细胞计数与分割方法在肿瘤微环境分析中的应用研究

《Pattern Recognition》：A Novel Weakly Supervised Immunohistochemical Cell Segmentation method via Counting Labels

为解决免疫细胞定量分析中标注成本高、精度不足的问题，研究人员开展基于多实例学习（MIL）的弱监督细胞计数与分割研究。通过构建三阶段深度学习框架，仅利用图像级计数标签实现像素级细胞分割，在LYSTO和NuClick IHC数据集上分别达到80.9%和71.1%的Dice系数，显著优于现有方法。该研究为临床病理分析提供了高效自动化工具，具有重要应用价值。

　　

肿瘤微环境中免疫细胞的定量分析对癌症预后评估和治疗策略制定具有重要意义。传统人工计数方法存在效率低、主观性强等问题，而现有深度学习辅助方法通常需要大量像素级标注数据，标注成本极高且难以推广。针对这一挑战，研究人员在《Pattern Recognition》发表了一项创新研究，提出基于多实例学习（MIL）的弱监督免疫细胞计数与分割方法，仅使用图像级计数标签即可实现精准的细胞分割，为病理图像分析提供了高效解决方案。

研究团队采用三阶段深度学习框架：首先训练细胞计数网络（Counting Network）预测图像中阳性细胞数量；然后通过自适应top-k实例选择策略筛选关键超像素区域，构建实例分类器（Instance Classifier）；最后利用掩码优化方法生成高质量伪掩码，训练分割网络（Segmentation Network）实现像素级分割。关键技术包括基于ResNet-50的编码器共享策略、HSV通道阈值分割与像素自适应优化（PAR）模块，以及针对LYSTO和NuClick IHC数据集的跨域验证。

研究结果显示，该方法在LYSTO数据集上达到80.9%的Dice系数和5.4像素的平均对称表面距离（ASSD），显著优于IRNet（75.3%）、ReCAM（65.1%）等现有方法。在乳腺癌、结肠癌和前列腺癌亚组分析中表现一致，Dice系数差异仅为0.036，显示出优秀的泛化能力。在NuClick IHC外部验证集上达到71.1%的Dice系数，比次优方法提高3.95%，证实了方法的普适性。

通过可视化分析发现，该方法在规则区域和细胞簇区域分割效果优异，但在artifact区域存在一定误判。消融实验表明，16×16像素的实例尺寸在特征表达和噪声控制间取得最佳平衡，编码器共享策略使分割性能提升约12.7%。

研究结论表明，这种弱监督方法首次实现了仅凭计数标签的高精度细胞分割，大幅降低了标注需求。其跨数据集性能验证了在真实临床场景中的适用性，为肿瘤免疫微环境研究提供了可靠的计算工具。未来工作可进一步优化artifact识别能力，并探索在更多癌症类型和标记物中的应用前景。