综述：网状纤维框架评估在肿瘤性内分泌病理学中的应用

（推荐语）本综述系统阐述了网状纤维（reticulin）框架在垂体、甲状旁腺、肾上腺及神经内分泌肿瘤中的诊断价值，强调其与恶性度评估（如Weiss标准中的坏死、高核分裂数>5/10 mm2 和静脉侵犯）的关联，并展望了数字病理与人工智能（AI）在自动化定量分析中的应用前景。

　　

Abstract
网状纤维主要由III型胶原构成，是生物组织的核心结构成分。银染法等网状纤维染色技术能以快速、低成本的方式可视化其定量与定性改变，这些改变与肿瘤性和非肿瘤性病变密切相关。

垂体神经内分泌肿瘤
正常腺垂体与肿瘤组织的关键区别在于网状纤维框架的丢失。该特征在鉴别诊断中具有高度特异性，尤其在微小腺瘤中可通过网状纤维断裂模式辅助定位。

甲状旁腺肿瘤
腺瘤、不典型肿瘤和癌的网状纤维破坏程度呈梯度变化：腺瘤保留部分完整框架，癌则表现为广泛断裂。这种模式与组织学分级正相关，可作为鉴别诊断的补充依据。

肾上腺皮质肿瘤
网状纤维算法联合三项Weiss标准（坏死、核分裂数>5/10 mm²
、静脉侵犯）显著提升恶性风险评估准确性。双侧大结节性肾上腺皮质病的亚型分型亦依赖特异性网状纤维排列模式。

嗜铬细胞瘤与副神经节瘤
遗传背景可能影响网状纤维分布：SDHx突变肿瘤多呈弥漫性破坏，而NF1相关者保留更多框架结构。这种差异或与肿瘤微环境重塑机制有关。

神经内分泌肿瘤分级
高级别神经内分泌癌(NECs)的网状纤维崩解程度显著高于低级别神经内分泌肿瘤(NETs)，提示框架完整性可作为潜在分级辅助指标。

技术前沿
深度学习算法已能实现网状纤维密度自动量化，其与预后参数（如Ki-67指数）的关联分析将推动精准诊断发展。未来可探索多组学数据与三维重建技术的整合应用。