编辑推荐：
乳腺癌病理诊断中，乳腺导管内增生性病变（BIDPLs）的诊断面临挑战。研究人员开展基于卷积神经网络核分割辅助分类知识蒸馏框架（KDCNN-NSAC）的研究。结果显示该框架性能优异，有助于提高 BIDPLs 诊断水平，为临床诊疗提供支持。
在乳腺癌的发展进程中，乳腺导管内增生性病变（BIDPLs）作为重要的前驱病变，对其准确诊断至关重要。然而在实际病理诊断工作中，基于苏木精 - 伊红（HE）染色图像来诊断 BIDPLs 却困难重重。BIDPLs 涵盖了常见导管增生（UDH）、非典型导管增生（ADH）、平坦上皮异型增生（FEA）和导管原位癌（DCIS）等多种病变类型 ，它们在形态学上差异细微。像是 UDH 细胞具有多态性，容易与中间级 DCIS 混淆；ADH 和 DCIS 的细胞特征相似，且缺乏有效的免疫组化抗体来区分它们。而且，这种诊断高度依赖病理学家的专业知识，诊断的一致性和可重复性较低，使得 BIDPLs 的诊断成为一个耗时且棘手的难题。
为了解决这一困境，上海电机学院机械工程学院、武汉大学人民医院肿瘤中心、华中科技大学同济医学院附属武汉中心医院病理科、上海交通大学生物医学工程学院等机构的研究人员展开了深入研究。他们提出了一种基于卷积神经网络核分割辅助分类的知识蒸馏框架（KDCNN-NSAC），相关研究成果发表在《Heliyon》上。
研究人员主要运用了以下关键技术方法：
首先，使用 BReAst Carcinoma Subtyping（BRACS）数据集，该数据集包含正常乳腺组织、病理良性病变、BIDPLs 和乳腺浸润性癌（IC）的 HE 全切片图像（WSI），为模型训练和测试提供了丰富的数据。其次，构建 KDCNN-NSAC 框架，其中教师网络利用 Efficient Net-B4 作为编码器，Deeplabv3plus 的上采样部分作为解码器，对细胞核进行分割和分类；学生网络采用相同的编码器并共享权重，进行 ROI 层面的分类。此外，利用在 PanNuke 数据集上训练的 Hover-Net 获取细胞核伪标签，以辅助模型训练。
下面来看具体的研究结果：
- 教师网络的细胞核分割和分类：教师网络能够有效地将 ROIs 中的细胞核分割并分类为正常上皮、肿瘤上皮、基质（结缔组织和炎症细胞）和坏死信息五类。通过梯度加权类激活映射（Grad-CAM）生成的热图表明，教师模型能够突出显示集中在细胞核信息上的重要区域。
- KDCNN-NSAC 在 ROI 层面的分类性能：在 7 类分类任务中，KDCNN-NSAC 的平均 F1 分数达到 63.26% ，优于当前最先进的方法。在区分 BIDPLs 与 IC 和正常组织的任务中，F1 分数分别达到 98.36% 和 94.21% 。在 BIDPLs 内部的二元分类中，区分 FEA 与 DCIS、UDH 和 ADH 时，F1 分数分别为 91.04%、90.11% 和 89.13% 。
- WSI 层面的预测：基于 ROIs 的风险评级对 WSI 进行预测，在 344 张标记为 N、UDH、ADH、FEA、DCIS 和 IC 的 WSIs 中，总准确率达到 90.12% ，与病理学家的注释具有高度一致性（kappa 值为 0.88）。
- 消融研究：通过消融实验评估 KDCNN-NSAC 各组件的贡献，结果表明，细胞核分割和分类组件使基线模型的性能提高了 3%。
在研究结论与讨论部分，KDCNN-NSAC 表现出显著优势。该框架通过教师模型提取细胞类别和形态的细粒度信息，优化了学生模型在 ROIs 分类的性能。在 7 类 ROI 层面分类中，KDCNN-NSAC 优于基于 CNN 和图神经网络（GNN）的方法。同时，基于 ROIs 风险评级预测 WSI 的方式不仅可解释、高效，而且更准确。不过研究也存在一些局限，例如对细胞核分割和分类的准确性依赖较高，区分 UDH、ADH 和低级别 DCIS 仍面临挑战，在临床应用中还需进一步验证等。
总体而言，这项研究为 BIDPLs 的诊断框架设计提供了新思路，其理论框架在其他肿瘤的形态学分类中也具有潜在应用价值。随着相关技术的不断发展，有望在未来进一步完善该研究，为肿瘤病理诊断带来更多突破，助力临床诊疗水平的提升。
