StyleGAN3合成高分辨率结直肠癌组织病理学图像的多层级评估：形态保真、表征可迁移性与感知真实性

《Array》：Synthetic colorectal cancer histologic images via StyleGAN3: Enhancing database diversity and model ability

　　

病理诊断在肿瘤诊断中不可或缺。高分辨率病理图像提供更多细节，改善模型学习，并支持医生的日常学习。然而，肿瘤异质性、因亚型稀缺导致的数据分布不均、数据共享受限及隐私问题，阻碍了病理学家临床决策能力的发展。生成模型如生成对抗网络（GANs）已越来越多地用于合成组织病理学图像以缓解数据稀缺。然而，视觉上逼真的图像未必保留病理相关形态学信息，其提供可学习和可迁移表征的能力仍未得到充分评估。为应对这些挑战，本研究探讨由StyleGAN3生成的高分辨率结直肠癌（CRC）组织病理学图像能否在视觉外观之外保留病理相关信息，并为下游病理图像分析提供可学习表征。生成图像在细胞形态、表征学习、下游任务和感知层面进行了系统评估。StyleGAN3在高分辨率CRC组织病理学图像上训练以构建合成数据集。定量细胞核形态分析比较真实与合成图像的细胞微结构特征。使用等量真实与合成图像进行自监督预训练，所得表征在独立分类和语义分割数据集上评估，并以病理特异性预训练编码器为基准。临床医生调查评估感知真实性。结果显示，合成图像表现出与真实图像高度可比的细胞形态学特征，并包含可学习且可迁移至独立下游任务的病理相关信息。总之，这些发现支持StyleGAN3生成的CRC组织病理学图像作为可学习病理相关信息的来源，用于表征学习和下游计算病理学任务。

研究背景与意义：病理诊断是肿瘤诊断不可或缺的环节，高分辨率组织病理图像可提供更多细节并支持模型学习与医生继续学习。结直肠癌（CRC）病理诊断的准确性对疾病管理和预后至关重要，但肿瘤异质性、某些亚型稀缺造成的数据稀缺与类别不均、数据共享受限和隐私问题，限制了病理学家临床决策能力及模型训练。生成对抗网络（GANs）等生成模型可通过合成组织病理图像缓解数据不足，但视觉逼真并不必然保留病理相关形态信息，其提供可学习、可迁移表征的能力仍缺乏充分评估。StyleGAN3在高分辨率图像合成方面受到关注，但在合成病理图像中的应用有限。因此，研究人员以高分辨率CRC组织病理图像训练StyleGAN3，构建合成数据集，并从细胞形态、表征学习、下游任务和感知真实性等层面评估其是否保留视觉外观之外的病理相关信息，以及能否为下游病理图像分析提供可学习表征。研究结论显示，合成图像具有与真实图像相近的细胞形态特征，并包含可学习且可迁移至独立下游任务的病理信息；这为合成CRC组织病理学图像作为表征学习和下游计算病理学任务的补充信息来源提供了依据。其意义在于为扩展病理图像资源、缓解数据稀缺和类别不均提供潜在策略，并可能减少对原始患者来源图像直接共享的依赖；但原文同时强调，其并不等价于真实图像或病理特异性预训练编码器，临床部署和隐私保护仍需验证。

关键技术方法（≤250字）：训练队列为湖州中心医院300例CRC患者40X组织病理图像；StyleGAN3在1,000,000张1024×1024真实CRC图像上训练并生成70,000张合成图像。以HoVer-Net对1500张真实与1500张合成图像行核实例分割，比较5项核形态/空间特征；以MoCo（Momentum Contrast）对ResNet34行自监督预训练（7万合成 vs 7万真实），在MoNuSeg、Warwick-QU行ResUNet34语义分割、在Warwick-QU、BreakHis行ResNet34分类，各重复100次，并与RetCCL、CTransPath比较。1000名临床医生对1:1真实/合成图像行真实性判别；以CTransPath特征和FAISS IndexFlatIP计算最近邻距离（DCR）筛查训练数据记忆。

研究结果：
5.1 StyleGAN3生成结直肠癌合成病理图像：研究人员用StyleGAN3权重和70,000个随机种子生成70,000张1024×1024合成CRC病理图像；代表性图像覆盖瘤内坏死、平滑肌、三级淋巴结构、腺癌和血管等结构。与StyleGAN2-ADA在同数据集和FID-50k（Fréchet Inception Distance）协议下比较，StyleGAN3为17.3394、StyleGAN2-ADA为18.7352，StyleGAN3略低，提示生成与真实图像特征分布更接近，并为后续实验提供依据。

5.2 CRC预训练模型在下游任务中的表现：通过100次重复的语义分割和图像分类实验比较合成预训练、真实预训练与无预训练。结果显示，合成与真实预训练均明显优于无预训练，输出更稳定集中；合成/真实中位Dice在Warwick-QU为0.8964/0.9004、MoNuSeg为0.7923/0.7917；中位准确率在BreakHis为0.8815/0.8681、Warwick-QU为0.9813/0.9875。结论是仅由合成CRC图像学得的表征可迁移至独立下游分类和分割数据集，但合成与真实的相对表现因任务而异。

5.3 与病理特异性预训练特征编码器的比较：通过统一U-Net式解码框架和多尺度特征适配，将合成、真实、RetCCL和CTransPath编码器在相同下游任务上比较。RetCCL和CTransPath通常取得更高中位值，合成编码器绝对差距约1–2个百分点；所有合成与RetCCL/CTransPath比较经Holm校正后显著，效应量在Warwick-QU分类为中等、在BreakHis分类和两个分割任务中很大。结论是合成图像表征具有明显下游可迁移性，但不建立与病理特异性编码器的等价或优效。

5.4 细胞微结构定量分析：研究人员用预训练于CoNSep的HoVer-Net对1500张真实和1500张合成CRC图像进行核实例分割，计算中位核面积（pixel²）、平均圆度、核密度（nuclei/pixel²）、中位最近邻距离和核面积变异系数（CV）。五项特征在真实与合成图像间均无统计学显著差异（P>0.25），|Cliff's δ|<0.03。结论是所评估的核形态和局部空间特征未检测到实质分布差异。

5.5 临床医生对合成CRC组织病理图像感知真实性的评估：通过将真实与合成图像按1:1混合并邀请1000名来自肿瘤、病理、消化等科室的医生判别，共收集102350次判断，正确51650次、错误50700次，总体准确率约50.5%，各部门接近50%。结论是医生难以从视觉上区分合成与真实图像，支持生成图像在本调查环境下的感知真实性。

5.6 针对潜在训练数据记忆的最近邻筛查：通过CTransPath特征和FAISS IndexFlatIP，以训练用1,000,000张真实CRC图像为参考，对30,000张合成图像与30,000张独立留出真实图像查询，计算最近邻距离（DCR）。合成与留出图像中位DCR分别为0.0545和0.0581，差异显著但Cliff's δ=-0.0917、分布重叠45.4%，27/30,000合成图像低于留出0.1%阈值。结论是存在弱的特征空间训练集邻近倾向，但DCR不能证明或排除患者级隐私风险，也不提供正式隐私保证。

讨论总结：讨论指出，本研究的贡献不在于提出新生成架构或修改StyleGAN3，而在于对已建立的高分辨率生成模型所生成CRC组织病理图像进行感知、细胞形态、表征学习和下游任务的互补评估；核形态定量、医生调查和下游实验共同支持合成图像保留视觉外观之外的病理相关信息。与RetCCL、CTransPath的比较提供更严格参照：二者通常绝对性能更高，合成预训练并非替代大规模病理特异性编码器，而是在多数任务中与其相差约1–2个百分点并显著优于无预训练。讨论强调，视觉真实性和良好下游性能本身不足以证明诊断有效性或广泛临床适用性；合成图像可能含生成伪影或源特异性特征并被作为捷径学习。隐私方面，合成数据不应被默认视为匿名，最近邻筛查仅提示弱记忆信号，不能排除患者级记忆或泄漏。局限包括医生调查来自单一中心且科室/经验分布不完全均衡；StyleGAN3训练数据来自单一中心，跨机构泛化未直接评估；仅分析CRC，其他癌种需验证。未来需多中心训练和外部验证、扩展至更广组织/细胞特征、使用临床标注病例和任务特异性诊断终点，并专门分析捷径学习、训练数据记忆、隐私泄漏和数据治理。

研究结论翻译：本文考虑肿瘤异质性和某些癌症亚型罕见导致的病理图像稀缺与类别分布不均，并因医学数据共享困难而进一步加剧。因此，研究人员在结直肠癌组织病理学图像上训练StyleGAN3并生成合成图像，以进行后续多层面评估。多层面验证显示，生成图像保留了可测量的病理相关形态学特征，并包含可通过自监督预训练学习且可迁移至独立分类和分割任务的信息；临床医生的主观评估表明其判断错误率约50%，支持在本评估环境下生成图像的感知真实性。总之，这些发现表明StyleGAN3生成的CRC组织病理学图像保留了视觉外观之外的信息，包括可测量的细胞形态学特征和可学习的病理表征。与无预训练条件相比，合成图像预训练持续改善下游性能，并相对于已建立的病理特异性编码器保持有竞争力的绝对性能。这些结果支持合成CRC组织病理学作为表征学习和下游计算病理学研究的相关信息补充来源的潜力，同时多中心泛化性、临床部署和隐私保护仍需进一步专门验证。