在人肝脏苏木精和伊红（H&E）染色的组织学图像中检测大泡性脂肪变性（MaS）：一种基于特征的方法

《Journal of Organometallic Chemistry》：Detection of macrovesicular steatosis in hematoxylin and eosin-stained histological images of human livers: A feature-based method

　　

背景：大泡性脂肪变性（macrovesicular steatosis, MaS）影响肝移植结局。传统的视觉活检评估是主观的，且存在观察者间变异（在本研究队列中加权κ=0.595），这使得分配和预后判断复杂化。方法：研究人员开发了一种使用HALCON Progress（评估许可证，2019–2023）的半自动化图像分析方法，用于量化H&E全玻片图像（whole-slide images, WSIs）中的MaS。该流程处理原始SVS文件的全分辨率（平均运行时间1.26±0.53分钟/WSI），无需平铺、降采样或格式转换。四个形状特征（面积、圆度、圆形度和紧致度）指导分类。结果使用Pearson和Spearman相关与三位专科病理学家进行比较。结果：在129张WSI（约52,000个脂滴）中，人工智能（artificial intelligence, AI）与病理学家的相关性具有统计学显著性（Pearson r=0.526–0.642；Spearman ρ=0.498–0.615；所有p<0.001；每位病理学家n=48–95）。与平均病理学家评估的相关性达到R²=0.64（r=0.80, ρ=0.782），处于病理学家间一致性范围内（R²=0.34–0.62；加权κ=0.595）。使用四个形状特征，该流程在交互式审查中将空泡与血管和处理伪影分离。处理全分辨率的原始SVS避免了额外计算同时保持了精度。结论：该方法提供了快速、客观的MaS读数，其性能与病理学家间一致性相当（R²=0.64对比加权κ=0.595）。它最适合作为决策支持工具，提供百分比和叠加层供专家审查。主要局限性包括对严重融合性脂肪变性（>30%）的低估、对微泡性脂肪的覆盖有限以及单中心验证。在常规使用之前，仍需要在不同扫描仪和患者群体中进行多中心验证。

**论文解读：基于特征的全玻片图像分析量化肝脏大泡性脂肪变性**

**研究背景与问题**

肝移植中供肝质量的评估至关重要，而大泡性脂肪变性（macrovesicular steatosis, MaS）是影响移植后缺血-再灌注损伤风险及早期移植物功能不全的关键决定因素。传统的病理医生在苏木精和伊红（H&E）染色冰冻切片上进行视觉评估，该方法主观性强，不同观察者间存在显著变异（在本研究队列中加权Cohen's Kappa κ=0.595，属于中等一致性），这导致器官分配决策不一致，并增加了预后判断的不确定性。此外，冰冻切片的采样误差、时间压力以及缺乏标准化量化工具进一步加剧了评估困难。尽管数字病理学和深度学习等方法已有探索，但它们常依赖大批标注数据、GPU硬件且模型解释性差，难以在临床时间紧迫的移植流程中落地。因此，需要一种透明、可重复、快速运行的半自动化工具，以辅助病理医生进行客观、可比较的MaS量化，从而支持更合理的移植物分配。

**研究内容与结论**

研究人员基于HALCON图像处理软件，开发了一套特征驱动的半自动化分析流程，用于从H&E染色的全玻片图像（whole-slide images, WSIs）中量化MaS。该流程直接处理原始SVS格式的全分辨率图像，无需平铺或降采样，平均每张WSI处理时间仅1.26分钟（中位数1.15分钟），完全符合30分钟冰冻切片周转窗口。在129张来自埃森大学医院（2010–2019年）的供肝冰冻切片中，该流程识别出约52,000个脂滴，与三位专科病理学家的评估进行了对比。结果显示，人工智能（AI）与单个病理学家的Pearson相关系数r=0.526–0.642，Spearman秩相关系数ρ=0.498–0.615（所有p<0.001）；当与三位病理学家平均值对比时，相关性提高到R²=0.64（r=0.80, ρ=0.782），接近病理学家间一致性范围（R²=0.34–0.62）。该方法还识别出临床变量（如体重指数BMI、γ-谷氨酰转肽酶γ-GT、血小板计数）与MaS的显著关联，并通过多变量回归确定了BMI和γ-GT为独立预测因子。论文发表于《Journal of Organometallic Chemistry》。该工作证明，基于简单形状特征的透明流程可在CPU上实现与病理学家间一致性相当的性能，为供肝脂肪变性评估提供快速、客观的辅助工具。

**关键技术方法**

研究人员采用HALCON Progress软件（评估许可证2019–2023）处理原始SVS格式的全分辨率图像，流程包括：灰度转换与Otsu自适应阈值生成组织掩膜；形态学操作去除伪影（如血管、撕裂）；利用面积、圆度、圆形度、紧致度四个形状描述符识别大泡性脂滴。所有参数由一位资深移植病理学家在独立训练集上通过交互式阈值调整确定，随后固定参数应用于129张验证切片。统计采用Pearson和Spearman相关性、加权Cohen's Kappa（κ）和Bland-Altman分析。样本队列来自单中心（埃森大学医院普通、内脏与移植外科），供体数据来源于Eurotransplant数据库及病理研究所数字档案。

**研究结果**

**1. 供体数据**：纳入1105例供体，平均年龄57.9岁，52.8%为男性，死因以脑血管事件（50.3%）和缺血（35.8%）为主；平均MaS为14%（范围0–100%，标准差17%）。**2. 临床变量与MaS的关系**：Pearson分析显示体重（r=0.194）、BMI（r=0.191）、γ-GT（r=0.201）与MaS正相关，血小板（r=-0.170）和住院时间（r=-0.141）负相关（所有p<0.001）。高脂肪变性组（≥30%）BMI（29.84 vs 27.60 kg/m2）和γ-GT（131.30 vs 68.91 U/L）显著更高（p<0.001）。多变量回归确认BMI（OR=0.94）和γ-GT（OR=1.0）为独立预测因子。**3. 全玻片图像分析**：HALCON流程成功在H&E和Oil Red染色全玻片上识别并覆盖大泡性脂滴，排除血管和伪影（图4、5）。**4. 病理学家间一致性（基线）**：在48张重叠切片上，三位病理学家Pearson r=0.582–0.784，平均R²=0.446，加权κ=0.595（中等一致性）。**5. 人机一致性比较**：AI与单个病理学家相关r=0.526–0.642（R²=0.277–0.412），与平均评估相关r=0.800（R²=0.640）。Bland-Altman分析显示AI在低脂肪变性时倾向高估（28%病例），在30–60%范围内一致性最佳；66%的AI值落在病理学家±5%以内。**6. 误差分析**：交互调整形状阈值（面积、圆度等）可解决大部分分歧，但AI在严重融合性脂肪变性（>30%）和微泡性脂肪区域仍存在低估。

**讨论与结论**

讨论部分指出，该特征驱动流程的性能（R²=0.64）接近病理学家间一致性上限（R²=0.34–0.62），且无需训练数据和GPU，解释性强。平均评估相关性升高是多评者平均噪声减少的统计现象，并非算法偏倚。局限性包括：单中心验证、严重融合性脂肪变性低估、微泡性脂肪覆盖有限、参数需针对严重病例再调整。未来需跨扫描仪、染色方案和患者群体的多中心研究，并可与临床及组学生物标志物整合以完善风险分层。结论：研究人员的基于HALCON的工作流程产生了可重复的MaS量化结果，与共识病理学家评估高度相关（R²=0.64），在CPU上运行，并适合冰冻切片时间线。使用不依赖于染色的形态学和交互式叠加层，它作为决策支持工具：减少了——但未消除——手动分级中的变异性。关键局限性包括对融合性高级别脂肪变性的低估、对微泡性脂肪的覆盖有限以及单中心验证。对于严重病例可能需要重新调整参数，并且在常规部署之前需要跨扫描仪和染色方案的多中心研究。合作还可以阐明该工作流程如何适应冰冻切片会议，以及哪些参考材料（例如开放参考实现、精选数据集）最有助于可重复性采用。研究人员的发现强调了基于特征的图像分析在临床环境中标准化脂肪变性评估的潜力，但确认需要额外的证据——特别是关于多中心泛化性以及与临床和组学生物标志物的整合——以完善风险分层并支持个性化移植物分配。