基于形态学保持对齐框架的2.5D病理学构建及其在AI辅助诊断中的应用研究

本研究针对病理学中三维组织信息丢失和传统深度学习框架的局限性，开发了新型形态学保持对齐框架构建2.5D活检核心，结合视频Transformer模型（TimeSformer）和DINO对比学习框架，在前列腺癌（PCA）、乳腺癌和肾癌活检中实现ISUP Grade Group分级（AUC 0.958），并通过读者研究验证其临床价值，为数字病理学提供了可扩展的3D信息分析方案。

　　

在传统病理诊断中，三维组织样本被切割成二维切片进行分析，导致关键的体积形态学信息丢失。病理学家需要在显微镜下反复切换切片比对同一区域，耗时且易出错。更棘手的是，现有深度学习框架如MAMBA⁸和TriPath⁹仅能处理二维切片，无法捕捉3D空间信息，且依赖小样本数据集（仅50-45例），限制了模型的泛化能力。这些痛点催生了对三维病理技术的需求，但现有3D成像技术如开放式顶部光片显微镜（OTLS）存在分辨率不足（仅10×）和临床转化困难等问题。

为突破这些限制，研究人员开发了创新的2.5D病理学生成方案。通过形态学保持对齐框架，从常规全切片图像（WSI）中提取并配准连续组织切片，构建出保留三维信息的2.5D活检核心。该技术的关键突破在于：采用VALIS框架进行刚性配准后，基于组织边界进行非刚性配准（SimpleElastix方法），将配准误差从186.9μm降至23.7μm；同时开发了基于TimeSformer的视频Transformer模型，通过改进的DINO对比学习框架（DINO对比学习是一种自监督学习方法）实现空间-时间特征学习，将前列腺癌ISUP分级AUC提升至0.958。

研究主要采用三项关键技术：1）形态学保持配准：通过SIFT特征提取和SuperGlue图神经网络匹配，结合组织边界优化的非刚性配准；2）2.5D特征学习：将2.5D核心视为视频序列，采用分时空注意力机制的TimeSformer进行预训练；3）多实例学习（MIL）：基于注意力机制（ABMIL）整合2.5D特征实现患者级预测。实验数据涵盖10,210例前列腺活检、156例乳腺活检和1,869例肾活检。

形态学保持对齐
在三大癌种中，该方法显著降低配准误差：前列腺活检中位数误差从40.1μm降至20.1μm，乳腺癌从186.9μm降至48.3μm，肾癌从114.6μm降至23.7μm。通过边界约束的非刚性配准，有效避免了腺体形态畸变。

DL-based癌症分级模型
2.5D DINO特征在ABMIL框架中表现卓越：五分类任务AUC达0.958，显著优于2D DINO（ΔAUC +1%）和Video ResNet（ΔAUC +25.8%）。特别在区分临床显著性（CS, GG≥2）病例时，召回率达0.866，减少22.3%的GG1误判为GG2。注意力可视化显示，模型能聚焦于包含关键体积信息的肿瘤区域（如图3所示），这些区域在单一切片中易被漏诊或误判。

临床验证
读者研究表明，2.5D核心数字化诊断显著提升诊断一致性：观察者间一致性κ值从0.7（显微镜）提升至0.73；观察者内一致性κ值达0.81-0.87。更重要的是，数字化评估将CS与非CS病例的诊断分歧比例从23.6%降至20.5%，这对临床决策（如主动监测vs根治治疗）具有重要意义。

这项研究开创性地将视频分析技术引入数字病理学，通过2.5D核心平衡了三维信息保留与临床可行性。其价值不仅体现在诊断性能提升，更在于建立了可扩展的3D病理分析框架——使用常规WSI即可构建大规模2.5D数据集，克服了OTLS等技术推广的瓶颈。未来可进一步探索2.5D特征在肿瘤微环境分析、分子预测等领域的应用，为精准医疗提供新的维度信息支持。论文成果发表于《Journal of Pathology Informatics》，为数字病理学的三维化发展树立了新标杆。