基于深度学习的唇腺活检全切片图像分析预测干燥综合征高危腺外器官受累风险

本研究创新性地利用深度学习技术（DL）分析干燥综合征（SS）患者唇腺活检全切片图像（WSI），构建RAIPSS模型预测高危腺外器官受累（HR-OI）风险。通过集成ResNet50、InceptionV3和EfficientNet-B5等预训练模型，结合多示例学习与视觉Transformer（ViT）模块，模型在内外验证集中AUC达0.836/0.732，可识别淋巴细胞浸润、腺泡萎缩等关键病理特征，为SS个体化诊疗提供客观量化工具。

　　

方法
研究团队采用回顾性横断面设计，纳入221例初诊未治疗的SS患者，根据是否存在肺、肾、血液系统或中枢神经系统等HR-OI分为两组。唇腺活检样本经H&E染色后，通过×40倍扫描获取WSI，分割为512×512像素的 patches，经质量筛选后输入预训练的ResNet50、InceptionV3和EfficientNet-B5网络提取特征。创新性地引入Vision Transformer（ViT）模块实现多示例学习，聚焦与HR-OI相关的关键区域特征，最终通过集成学习输出HR-OI风险评分（HR-OIRS，0-1分）。

结果
基线数据显示，HR-OI组患者血清IgG水平显著升高（18.34±18.28 vs 15.39±4.93 g/L），血液系统受累占比最高（41.9%-78.0%）。RAIPSS模型在内部测试集表现优异（AUC 0.836，灵敏度0.70，特异度0.87），外部验证集AUC保持0.732。热图可视化显示，HR-OI患者WSI中深红色高关注度区域对应更严重的淋巴细胞/浆细胞浸润、腺泡破坏及间质纤维化。值得注意的是，模型识别的病理特征与传统病理报告定性描述高度吻合，但实现了从半定量到精准量化的突破。

讨论
该研究首次证实唇腺局部病理改变与系统性器官受累存在关联。相较于依赖临床指标（如抗SSA/SSB抗体、补体水平）的传统评估，WSI深度学习模型能捕捉人眼难以识别的微结构特征。例如，腺泡周围"袖套样"炎症浸润模式与肾脏受累风险呈正相关（p<0.01）。研究局限性包括样本量较小（n=221）及缺乏治疗干预后的纵向数据，目前团队已启动多中心前瞻性队列研究（NCTXXXXX）进行验证。

结论
RAIPSS模型通过量化唇腺活检的淋巴细胞浸润程度、腺泡破坏比例等256维深度特征，实现了SS患者HR-OI风险的客观分层。当HR-OIRS≥0.5时，预测HR-OI的阳性预测值达67%，可为临床决策提供新依据。未来整合超声、CT等多模态数据，有望构建更精准的SS预后预测系统。