基于图神经网络的病理图像上皮细胞分类优化方法GrEp在结直肠癌诊断中的应用

为解决病理图像中上皮细胞亚型分类性能不佳的问题，研究人员开发了基于图神经网络(GNN)的GrEp模型。该模型通过整合组织架构信息，显著提升了正常与恶性上皮细胞的区分准确率(Fce达97.2%)，并在子宫内膜和胰腺癌中展现出优异泛化能力，为数字病理分析提供了高效精准的新工具。

　　

在数字病理学(Digital Pathology)领域，自动细胞分类始终面临着一个关键挑战：如何准确区分看似相似却临床意义截然不同的上皮细胞亚型。传统方法往往将上皮细胞笼统归为一类，或难以辨别正常腺体与恶性病变——这种误判可能导致肿瘤分级错误、靶向治疗选择偏差等严重后果。尤其对于结直肠癌(CRC)这类常见恶性肿瘤，病理学家主要依靠组织结构的紊乱程度来判断恶性程度，但现有算法大多仅分析细胞核形态特征，忽略了这一关键诊断依据。

针对这一技术瓶颈，瑞士伯尔尼大学(University of Bern)的研究团队在《Pattern Recognition》发表了创新性解决方案GrEp。该研究巧妙模拟了病理医师的诊断逻辑——不仅观察单个细胞特征，更关注细胞间的空间排列模式。通过构建上皮细胞图网络，结合几何深度学习技术，研究人员成功将组织架构信息转化为可量化的分类指标，实现了算法与病理思维的深度融合。

关键技术路线包含三大模块：(1)采用GammaFocus增强的ResNet18提取核形态特征；(2)基于Delaunay三角剖分构建细胞图网络，通过消息传递(Message Passing)层聚合邻域信息；(3)利用中值滤波(Median Filter)优化腺体内部分类一致性。研究特别采用来自Lizard数据集的148个结直肠癌组织切片进行模型训练，并额外测试了子宫内膜和胰腺癌样本验证泛化能力。

5.1 模型选择
通过HyperOpt优化框架对比GCN、GraphSage等图卷积算法，发现具有长距离连接(250px阈值)的GCN架构表现最优。消融实验证实，完整的GrEp流程(RN18+GCN+MF)比单一ResNet18分类提升9.62%的F_c^e值，证明组织拓扑信息对分类具有决定性作用。

5.2 性能对比
在TCGA测试集上，GrEp将MCSpatNet的恶性上皮识别准确率从82.84%提升至97.84%。尤为关键的是，模型在混合正常/恶性腺体的交界区域仍保持93%以上的分类精度，解决了传统方法在密集腺体区域的系统性误判问题。

5.5 跨组织验证
仅需微调特征提取模块，未重新训练图网络的GrEp即在子宫内膜癌达到99.86%的F_c^e值。对于更具挑战性的胰腺组织，模型正确识别85%的胰腺炎病例为非恶性，证实其对炎症性病变的鉴别能力。

这项研究开创性地将组织学架构特征转化为可计算的图网络参数，其核心突破在于：

1. 临床实用性：4倍于现有方法的速度使其适合全切片图像(WSI)分析，可直接整合至现有病理工作流程；
2. 生物学意义：通过可解释性分析发现，模型决策依赖的远距离节点恰好对应病理学家关注的腺体极性改变等关键特征；
3. 转化潜力：该框架可扩展至肿瘤浸润淋巴细胞(TILs)评估、肿瘤出芽(Tumor Budding)检测等预后相关任务。

研究团队特别指出，当前模型对不典型增生(Dysplasia)等交界性病变的区分仍有改进空间。未来通过纳入更多亚型数据和优化图构建策略，GrEp有望成为病理AI从辅助诊断迈向精准分型的里程碑式工具。