基于全切片病理图像的深度学习模型在中央性巨细胞肉芽肿侵袭性分类中的应用研究

本研究针对中央性巨细胞肉芽肿(CGCG)临床行为预测难题，首次采用ResNet-50深度学习模型对9982张H&E染色全切片图像进行侵袭性(A组)与非侵袭性(N组)分类。结果显示模型区分效能有限(AUC=52%)，但发现年轻患者(32.6±19.98岁)更易发生侵袭性病变(p=0.038)，为CGCG生物学行为预测提供了新思路。该研究发表于《Virchows Archiv》，为AI在口腔病理学应用提供了重要探索。

　　

中央性巨细胞肉芽肿(CGCG)是颌骨特有的良性但具有侵袭潜能的病变，其临床管理长期面临关键难题：约1/3病例表现为侵袭性生长（伴皮质骨穿孔、牙根吸收或复发），需激进治疗；而多数为非侵袭性，仅需保守处理。传统组织学检查难以区分两者，分子标志物研究（如CD68、KRAS突变等）也未能建立可靠预测体系。这种诊断不确定性常导致治疗过度或不足，凸显开发客观分类工具的迫切性。

在此背景下，特拉维夫大学口腔病理系Marilena Vered团队创新性地将深度学习技术引入该领域。研究者假设全切片数字化图像中可能隐藏着人眼难以识别的判别特征，遂开展首项基于ResNet-50模型的CGCG分类研究。论文发表于欧洲病理学权威期刊《Virchows Archiv》，为AI驱动口腔病理诊断提供了范式探索。

研究采用回顾性队列设计，从2000-2022年活检档案中筛选87例CGCG（48例侵袭性/39例非侵袭性），严格依据临床标准（皮质骨改变、牙移位、复发）分组。关键技术方法包括：①10倍镜扫描生成9982张H&E切片图像；②人工剔除伪影后保留4272张（2629A组/1643N组）；③应用旋转/翻转/缩放等数据增强；④采用ImageNet预训练ResNet-50模型进行100轮训练；⑤通过ROC曲线评估模型效能。

主要结果
Demographics
侵袭组患者平均年龄显著低于非侵袭组（32.6±19.98岁 vs 42.2±21.58岁，p=0.038），<30岁患者占比更高，印证年轻是侵袭性行为的风险因素。颌骨分布（下颌:上颌=2:1）和性别比例（1:1）在两组间无差异。

Machine learning outcomes
模型测试集表现未达预期：AUC仅0.52（95%CI=0.421-0.619），敏感度54%/特异度50%，与随机猜测无异。Grad-CAM可视化显示模型主要关注多核巨细胞区域，但未能提取有效判别特征。

讨论与意义
这项开创性研究首次系统评估了深度学习在CGCG行为预测中的应用潜力。尽管模型未能实现有效分类，但揭示了关键限制因素：①全切片包含过多干扰元素（出血、炎细胞等），可能掩盖关键特征；②H&E染色批次差异（如图5所示）引入技术变异；③组织学相似性远超预期，提示需要细胞级分割或分子影像整合。

研究具有多重启示价值：技术上，确立了口腔病理图像数字化处理标准流程；临床上，证实年龄是重要的行为预测指标；方法论上，为后续研究指明改进方向（如添加突变检测TRPV4/FGFR1）。未来结合单细胞空间转录组等新技术，或可突破当前AI病理诊断的瓶颈。该成果虽未达成预期目标，但为罕见骨病变的智能诊疗研究奠定了重要基础。