《Journal of Imaging Informatics in Medicine》：Performance of Na?ve Spectral Geometric Models in Histopathology AI
编辑推荐：
谱几何方法提供了组织形态学的数学可解释表征，但其在组织病理学人工智能中的独立性能尚未被系统评估。本研究将纯谱分析流程在代表性数字病理学和空间组学任务中相对于卷积基线进行了基准测试。从组织病理学图像块中使用固定网格图提取了源自图拉普拉斯（graph Laplac
谱几何方法提供了组织形态学的数学可解释表征，但其在组织病理学人工智能中的独立性能尚未被系统评估。本研究将纯谱分析流程在代表性数字病理学和空间组学任务中相对于卷积基线进行了基准测试。从组织病理学图像块中使用固定网格图提取了源自图拉普拉斯（graph Laplacians）、热核签名（heat kernel signatures）、谱波能量（spectral wavelet energy）、斯莱皮恩集中度（Slepian concentrations）、分形描述符（fractal descriptors）和持续同调（persistent homology）的谱特征。这些特征通过谱神经算子（spectral neural operators）和梯度提升（gradient boosting）进行处理。评估了四项任务：二元乳腺癌分类（BreaKHis）、多类胶质母细胞瘤区域块分类、空间转录组学预测（10× Visium）和点级去噪。应用了交叉验证和留一玻片策略。指标包括准确率、敏感性、特异性、受试者工作特征曲线下面积（AUC）、均方误差和皮尔逊相关性。在预设的±0.03 AUC范围内，未建立谱模型与CNN模型之间的等效性。纯谱模型的性能低于卷积基线，AUC差异为0.12–0.23。CNN→LGBM模型达到了0.83 ± 0.06的准确率、0.73 ± 0.10的平衡准确率和0.80 ± 0.13的AUC。在预设范围内未建立等效性。融合模型达到了0.73 ± 0.08的平衡准确率，与CNN基线的平均平衡准确率持平，但未超过CNN的AUC。空间转录组学预测显示出有限的跨玻片泛化能力（皮尔逊相关性0.06），而稀疏条件下的点级去噪则表现出竞争性性能。谱几何模型在分类或分割任务上并未优于卷积方法，但在去噪和稀疏空间场景中提供了互补的实用性。
研究背景与科学问题
组织病理学作为癌症诊断的金标准，长期以来依赖于病理学家对苏木精-伊红（H&E）染色切片的显微镜观察。随着计算病理学的发展，深度学习模型尤其是卷积神经网络（CNN）和视觉Transformer（ViT）在组织病理图像分析中取得了显著成功。然而，这些黑箱模型的可解释性不足限制了其在临床中的信任度和推广。谱几何方法（spectral geometric methods）通过图拉普拉斯（graph Laplacians）等数学工具，能够量化组织的曲率、拓扑结构和形态动力学，提供天然可解释的特征表征。尽管谱成像技术早在20世纪90年代就被引入组织病理学分析，但纯粹基于谱几何特征的深度学习模型在组织病理学任务中的独立性能从未被系统评估。现有研究多集中于将谱特征作为卷积模型的补充，而非探索其作为独立表征的有效性。此外，谱神经算子（SNO）这类最初为物理偏微分方程求解设计的架构，能否有效处理生物医学图像的形态学信息仍属未知。因此，本研究旨在填补这一空白，系统评估纯谱几何模型在分类、多分类、回归和去噪四类典型任务中的表现，并与卷积基线进行严格对比。
研究方法与技术路线
研究人员采用固定网格图（fixed-grid graph）策略，将每张512×512像素的组织病理学图像块划分为64×64候选网格，保留至少20%像素为组织的网格单元作为图节点。对于每个有效节点，计算8个通道特征：平均灰度强度、局部熵、拉普拉斯方差、平均苏木精和伊红通道强度、饱和度、索贝尔梯度方差以及组织边界比。节点间边权重通过高斯加权函数计算，综合考虑空间距离和强度差异。在此基础上，研究人员提取了六类谱几何特征：（1）热核签名（HKS），通过扩散时间t测量轮廓扩散差异；（2）谱波能量，捕捉局部边界过渡变化；（3）斯莱皮恩集中度（Slepian concentration），交叉分析曲率定义区域；（4）分形描述符，包括对数-对数斜率、Rényi维数和空隙度（lacunarity），用于量化模式异质性；（5）持续同调（persistent homology），通过Vietoris-Rips复形计算拓扑特征的出生-死亡时间和持久熵。所有特征向量经主成分分析（PCA）降至25维后输入不同模型架构。模型配置包括：纯谱神经算子（SNO，含两个SpectralMix层，秩32，隐藏宽度64）、LightGBM梯度提升树、ImageNet预训练ResNet-18作为CNN基线，以及融合模型。数据集方面，研究使用了BreaKHis乳腺癌数据集（7258张图像块，82例患者，含40×至400×四种放大倍数）和GBM-WSSM胶质母细胞瘤数据集（83张源图像，含前缘、细胞肿瘤、微血管增生和坏死四类标注区域）。空间转录组学数据来自GSE210616三阴性乳腺癌队列（42例样本，约1254个检测点/样本）。
研究结果
1. 乳腺癌二分类（BreaKHis）： CNN→LGBM模型达到最佳性能（准确率0.83±0.06，平衡准确率0.73±0.10，AUC 0.80±0.13）。纯谱模型（SNO）的AUC比CNN基线低0.12–0.23，两者间的等效性检验（TOST）未能在预设±0.03 AUC范围内建立等效性。融合模型（CNN⊕SNO→LGBM）的平衡准确率与CNN基线持平（0.73±0.08），但AUC略有下降。学习曲线显示，所有模型在400×高倍放大下的性能均出现下降，但CNN模型整体表现最优。
2. 胶质母细胞瘤多分类（GBM）： 七类区域分类任务中，类别不平衡严重（如坏死周围区、假栅栏状坏死等稀疏类别）。FULL→LGBM模型的宏平均AUC（mAUC）为0.66，仅略高于L2逻辑回归的0.65。SNO模型表现最差，甚至不如标准套索回归，表明谱神经算子未能有效区分组织类别。四类简化分类（排除稀疏类别）后，各模型AUC有所提升，但CNN基线仍显著优于纯谱模型。
3. 空间转录组学预测（10× Visium）： 跨玻片基因表达预测表现极差，平均皮尔逊相关系数（PCC）仅为0.059，均方误差（MSE）达11.97，远低于已有专用模型（如Gene-DML报道的PCC约0.41–0.63）。留一玻片交叉验证揭示，谱特征无法在不同样本间泛化。训练曲线显示验证损失虽有所改善，但基因相关性始终低下，表明谱模型捕获的主要是染色边界信号而非复杂组织几何结构。
4. 点级去噪： 在全数据条件下，k近邻（kNN）和径向基函数（RBF）模型在所有指标上优于谱平滑器（SSR）。但在稀疏数据模拟（仅保留25%真实观测点）中，SSR的平均性能超越kNN和RBF，展现出在数据匮乏环境下的竞争优势。这表明谱映射在处理局部异质性和小样本推断时具有独特价值。
讨论与结论
讨论部分： 研究人员指出，纯谱模型在分类和分割任务中始终低于CNN基线，主要原因是固定网格谱描述符保留的空间细节有限。谱特征确实携带了有意义的形态学信号——消融实验显示移除斯莱皮恩功能特征会导致分类性能下降约20%，但这些信号不足以单独支撑高性能模型。值得注意的是，谱特征在融合模型中维持了平衡准确率，证实其具有互补性。在空间转录组学中，谱特征表现出强空间自相关但缺乏跨样本泛化能力，这源于谱表征的内在图像依赖性。研究人员强调，谱几何方法的优势在于可解释性和稀疏数据处理能力，但当前架构（特别是归一化拉普拉斯算子）限制了高频信息的捕获。未来工作需平衡局部与全局谱表征，并探索替代拉普拉斯公式（如薛定谔或PDE基拉普拉斯）的可能性。
结论翻译： 总之，谱特征提供的信号能够提升平衡准确率，但不足以提供可学习的足够分辨率。谱特征为模型关注组织结构提供了勾勒手段，但依赖谱特征进行模型训练和测试受限于处理这些特征的算法数量。几何方法确实提供了可测量的方式理解模型在特定区域的注意力机制。虽然基于分形的方法为探索组织结构异质性和模式提供了有趣途径，但这些特征本身在与谱特征合并时不可学习也不可归因。在空间转录组学中，谱数学方法的分辨率无法跨玻片泛化，性能不及同类方法。在预测玻片内点时，模型在稀疏条件下优于传统方法。未来可为数字病理学开发谱模型，但当前条件下，谱特征作为互补特征具有巨大潜力。
