基于深度学习的GH分泌型垂体神经内分泌肿瘤颗粒形态H&E染色组织病理学分类

《BMC Endocrine Disorders》：Deep learning-based classification of gh-secreting pituitary neuroendocrine tumors granulation patterns using H&E-stained histopathology

　　

摘要

准确分类生长激素分泌型垂体神经内分泌肿瘤中的颗粒形态在临床中至关重要，但传统上依赖于耗时的免疫组化检测。为了解决这一问题，我们开发了交叉注意力垂体神经内分泌肿瘤网络（CA-PITNET），这是一种深度学习模型，能够直接从常规H&E染色的全切片图像中自动进行亚型分类。该模型使用了95张GH-PitNET全切片图像（共54,610个区域）以及36张无功能型PitNET全切片图像（共39,590个区域），并在两项任务中进行测试：区分GH-PitNET与无功能型PitNET（任务I），以及区分颗粒密集型与颗粒稀疏型的GH-PitNET（任务II）。经过染色标准化和严格验证后，CA-PITNET展现了极高的诊断准确性。在任务I中，其在患者层面的AUC值分别为0.948（95%置信区间：0.854–1.000；内部验证，n?=?48）和0.948（95%置信区间：0.837–1.000；外部测试，n?=?33），对应的准确率分别为0.938和0.909。在任务II中，患者层面的AUC值分别为0.935（95%置信区间：0.890–1.000；内部验证，n?=?38）和0.875（95%置信区间：0.670–1.000；外部测试，n?=?25），对应的准确率分别为0.895和0.840。该模型生成的热图能够精确定位诊断区域，所标注的诊断相关区域与病理学家评估的区域一致。这一模型旨在通过提高GH-PitNET的亚型分类效率来辅助病理工作流程，可作为标准免疫组化分类方法的有效补充。