基于深度学习的肾移植活检中肾小管周围毛细血管分割研究

推荐 为解决肾移植活检中肾小管周围毛细血管（PTCs）炎症评估耗时且主观性强等问题，维也纳医科大学和拉德堡德大学医学中心的研究人员利用深度学习（DL）方法，基于苏木精-伊红（H&E）染色切片，开发了一种U-Net模型。该模型在PTCs分割和检测中表现出色，DSC达71.3%，精确率和召回率分别为67.7%和71.8%，为自动化评分提供了新工具，提升了诊断的一致性和效率。

　　

论文解读
肾移植是终末期肾病的重要治疗手段，但移植后排斥反应是影响移植物长期存活的主要问题。其中，抗体介导的排斥反应（ABMR）的诊断尤为复杂，需评估肾小管周围毛细血管（PTCs）的炎症程度。然而，传统病理评估依赖人工观察，存在主观性强、耗时且重复性差的问题。为解决这一难题，维也纳医科大学和拉德堡德大学医学中心的研究团队开发了一种基于深度学习（DL）的自动化分割与检测模型，旨在提高PTCs评估的准确性和效率。

该研究利用苏木精-伊红（H&E）染色的肾移植活检全切片图像（WSI），通过CD34免疫组化染色验证，构建了一个包含69例样本的数据集，并对28,000个PTCs进行了标注。研究人员采用U-Net架构，结合ResNet50骨干网络，通过patch采样策略进行模型训练。实验结果表明，该模型在PTCs分割任务中取得了71.3%的Dice相似系数（DSC）、56.1%的Jaccard指数和73.0%的归一化表面DSC（NSD），在检测任务中实现了67.7%的精确率和71.8%的召回率。

研究背景指出，PTCs的炎症程度是Banff分类系统的重要指标，但传统评估方法存在显著的主观性和观察者间差异。DL技术的引入为自动化病理分析提供了可能。本研究通过结合H&E染色和CD34免疫组化验证，解决了PTCs形态多样性和背景复杂性的挑战。模型在复杂病理模式下的表现表明，其在临床应用中具有潜力，但仍需进一步优化以应对不同形态特征的样本。

研究方法上，团队首先收集了来自维也纳医科大学和拉德堡德大学医学中心的肾移植活检样本，通过CD34免疫组化染色指导PTCs标注，构建了高质量的数据集。随后，采用U-Net模型进行训练，利用patch采样策略处理大尺寸WSI，并通过Dice相似系数、Jaccard指数和NSD等指标评估分割性能，通过精确率和召回率评估检测效果。

结果显示，模型在皮质和髓质区域的PTCs分割中均表现出较高的一致性，尤其在髓质区域表现更优（DSC 72.79%）。然而，在高间质炎症或纤维化区域，模型性能有所下降，提示这些病理特征可能干扰PTCs的识别。此外，小尺寸PTCs（直径<5 μm）的检测召回率较低（56%），表明模型对微小结构的敏感性有待提升。

讨论部分强调，尽管模型在自动化评估中展现出潜力，但其性能受病理复杂性的影响显著。未来研究需结合炎症细胞分割，进一步提高模型的鲁棒性和诊断价值。此外，模型的临床转化需解决染色标准化和跨平台兼容性问题。本研究为DL技术在肾脏病理中的应用提供了新思路，有望推动自动化病理分析的发展，辅助病理学家更高效地评估PTCs病变，改善移植患者的预后管理。