深度学习组织病理放射组学实现了对海洋贻贝污染物诱导组织损伤的高通量定量分析

《Environmental Pollution》：Deep-learning histopathradiomics enables high-throughput quantification of pollutant-induced tissue injury in marine mussels

　　

•设计了一种 Res-UNet 组织病理放射组学工作流，用于高通量组织分析
•提取鳃上皮面积和消化管壁面积作为高通量（HQ）终点
•自动化输出显示与手动形态测量一致的伤害相关趋势
•SMX+BaP 测试支持了混合污染物暴露下的可比性
•组织病理放射组学推进了污染效应的组织水平评估

**引言**
基于效应的评估在评估水传播污染物的生物风险方面日益重要。化学监测可以识别污染物出现和暴露水平，但不能直接解决受暴露生物的损伤问题。此外，生物基质中的污染物负担在暴露情境中可能差异很大，这进一步强调了仅靠暴露测量无法完全表征生物后果（Raimondo et al., 2024）。组学方法，包括基因组学、转录组学、蛋白质组学和代谢组学，极大地改善了...（Kesheri et al., 2024; Smith et al., 2025; Varadharajan et al., 2025）。然而，分子反应往往是暂时的，并可能在发展为稳定的组织损伤或生理障碍之前被稳态和细胞修复机制缓冲（Oros et al., 2025; Stec-Martyna et al., 2025）。组织结构提供了一种更综合的生物学读出，因为它将分子扰动与器官功能和个体健康联系起来。因此，组织病理学改变已广泛应用于水生毒理学（Hsieh et al., 2023; Sopjani et al., 2022）。然而，组织病理学评估仍然主要是手工、定性、低通量和观察者依赖的，这成为将组织水平病理学纳入污染物诱导生物效应的可扩展评估的主要瓶颈。

贻贝，例如地中海贻贝（Mytilus galloprovincialis），由于其滤食生活方式和高污染物积累能力，提供了适合的哨兵模型，用于沿海污染物评估（Li et al., 2025; Zhao et al., 2025; Zhao et al., 2026）。最近的研究进一步证明，贻贝中的污染物暴露会影响多个生物学水平，包括生殖和代谢过程（Lettieri et al., 2023; Marinaro et al., 2025）。这种反应在组织间也可能明显不同，正如贻贝中对功能化纳米塑料的组织依赖性氧化反应所示（Yang et al., 2025）。贻贝组织病理学已被用于评估实验室和现场条件下污染物诱导的组织损伤，例如石油诱导的生殖障碍、石墨烯诱导的鳃和消化腺损伤以及受污染沿海地区的组织损伤（Aarab et al., 2004; González-Soto et al., 2023）。然而，大多数评估仍然是描述性或半定量的，限制了剂量 - 反应解释、跨研究可比性以及在环境监测框架中的大规模使用（Wolf and Maack, 2017）。半定量评分系统通过加权病理特征来标准化损伤评估（Basti et al., 2015; Coppola et al., 2020; Cuevas et al., 2015），但它们仍然依赖于观察者的判断（Bernet et al., 1999）。定量形态指标提供连续且更标准化的测量（Carella et al., 2015b; Potts et al., 2010）。经过系统定量评估后，特定的形态指标，如消化管壁厚度和鳃上皮面积，已被确立为贻贝组织损伤的有用生物标志物（Qu et al., 2023）。这些终点为定量病理学提供了生物学上可解释的参考，但要充分释放其在大规模监测中的潜力，迫切需要自动化解决方案来绕过上述通量限制。

深度学习（DL）提供了一条实用途径，通过组织结构的自动识别和像素级分割来数字化已建立的组织病理学终点（LeCun et al., 2015; Sarker, 2021）。在数字病理学中，DL 模型可以从注释图像中学习空间特征，并将组织结构转化为定量数据集（Acs et al., 2020）。尽管这些方法在生物医学病理学中得到了广泛开发（Fuchs and Buhmann, 2011），但它们在水生毒理学中的应用仍然有限。贻贝的鳃和消化腺包含重复的上皮和管状结构，适合语义分割。污染物引起的改变，如上皮萎缩、管腔扩张和管状变形，也可以通过空间形态变化来捕捉（Carella et al., 2015b; Sirinukunwattana et al., 2017）。因此，DL 辅助组织病理学提供了一种实用策略，将已建立的组织生物标志物转化为标准化和高通量的定量终点，用于污染物效应评估。在这里，组织病理放射组学指的是从数字化组织病理图像中计算提取定量形态特征。关键挑战是确保自动化的图像衍生输出与生物学上可解释的病理终点保持联系，而不是简单地从组织图像生成计算特征。

在这项研究中，我们开发了一种基于 DL 的组织病理放射组学工作流，用于高通量量化地中海贻贝鳃和消化腺中的组织损伤。苯并 [a] 芘（BaP）被用作模型胁迫剂，因为其已有良好记录的组织病理学损伤特征，为评估计算管道提供了基于生物学的参考组织损伤数据集（Sun et al., 2025; Wang et al., 2025）。系统地比较了多种语义分割架构，并应用所评估配置中表现最佳的模型，从上皮和管状组织结构中提取定量形态特征。这些图像衍生输出与传统半定量组织病理评分和标准化手动定量形态测量进行了评估。为了反映水环境中污染物的共同存在，建立的工作流进一步应用于独立的磺胺甲恶唑（SMX）+BaP 共同暴露数据集，该数据集作为单一胁迫剂 BaP 数据集之外的混合污染物应用场景。核心目标是将其转化为标准化且可扩展的形态输出，从而支持海洋哨兵生物中污染物诱导损伤的高通量组织水平评估。

**章节摘要**
**实验设计与组织采样**
成年海贻贝（M. galloprovincialis）采集自中国舟山（30°44.005 N, 122°45.110 E）的一个水产市场。贻贝在低温条件下 1 小时内被运输到实验室，随后在人工海水（ASW）中驯化。使用壳长相当的贻贝（64.86 ± 5.68 mm）以减少尺寸相关的变异性。培养条件严格控制在盐度 33.10 ± 0.64，pH 8.10 ± 0.10，溶解氧 79.63 ± 20.80%，

**基于 Res-UNet 的组织病理放射组学模型的构建与优化**
首先使用 MMHID-test 数据集评估基线语义分割架构。鳃和消化腺的代表性视野显示了分割完整性和边界界定的架构依赖性差异（图 1A）。对于鳃丝上皮，UNet 通常保持更大的结构连续性，而 LinkNet 和 FPN 显示出更频繁的分割不完整、预测破碎或假阳性区域。观察到类似的差异……

**基准引导的 Res-UNet 组织病理放射组学工作流构建与评估**
当前海洋生态毒理学的一个主要限制是缺乏组织水平的高通量分析能力。组织病理学提供了分子扰动和个体水平障碍之间的综合生物学读出。在本研究中，特意选择 BaP 作为特征明确的参考毒理学胁迫剂，不是要重新建立其毒性机制，而是为了生成清晰且可量化的病理改变，以评估所提出的……

**结论**
本研究建立了一个基于 DL 的组织病理放射组学框架，用于地中海贻贝组织损伤的可扩展且生物学上可解释的量化。通过整合 Res-UNet 分割和预定义的形态终点，该工作流成功地将传统组织病理结构转化为标准化定量输出，并保留了跨不同组织、暴露场景以及独立实验和组织学的一致损伤相关模式……

**CRediT 作者贡献声明**
Taiwei Li：方法学，调查，数据整理。
Siyu Chen：方法学，调查，数据整理。
Qing Fang：方法学，调查，数据整理。
Jianzhou Xu：初稿撰写，方法学，调查，形式分析，数据整理。
Yanan Di：审查与编辑，初稿撰写，监督，资源，项目管理，方法学，资金获取，概念化。
Liangying Lu：方法学。
Shuimei Li：方法学，调查。

**伦理声明**
本研究按照 ARRIVE（动物研究：体内实验报告）指南进行。无需伦理委员会批准。根据浙江大学的适用机构要求，本涉及海贻贝的研究不需要正式的动物伦理批准。所有实验程序都适当考虑了动物福利。

**数据可用性声明**
支持本研究分析的组织学图像数据集、手动注释掩码和定量数据已存档在 Zenodo 公共仓库中，并可通过 https://doi.org/10.5281/zenodo.22911155 永久访问。

**代码可用性声明**
用于模型构建、训练、分割和形态分析的源代码，连同训练好的模型权重和技术文档，已在 GitHub 上公开可用，网址为 https://github.com/yanan-di-zju/Mussel-Histopathradiomics。本研究相关代码的永久存档也可在 Zenodo 上找到，网址为 https://doi.org/10.5281/zenodo.22911155。

**手稿准备过程中生成式人工智能和人工智能辅助技术的声明**
在准备本文手稿期间，作者使用 Google Gemini 和 ChatGPT 协助改进英语文本的清晰度、语法和流畅性。AI 工具未对科学内容、数据生成或解释做出贡献。作者对手稿的内容和完整性承担全部责任。

**利益冲突声明**
? 作者声明他们没有已知的可能影响本论文所报告工作的竞争经济利益或个人关系。

**致谢**
本研究得到了国家自然科学基金（42230404）和浙江大学海洋学院种子基金培养项目（2025BS008）的资助。

Ruoxuan Zhao|Jianzhou Xu|Qing Fang|Siyu Chen|Taiwei Li|Shuimei Li|Liangying Lu|Yanan Di