《Journal of Pathology Informatics》：Comparison and image analysis of different file formats on whole-slide images for colorectal and non-small cell lung carcinomas
编辑推荐：
不同扫描仪采用多种图像采集技术，可能将扫描图像存储为专有格式或导出为一系列标准文件格式。理解这些技术限制对于确保最佳扫描质量和准确图像分析至关重要。本研究比较了来自两个全切片图像（WSI）平台——Leica的Aperio AT2（.SVS）和3DHistech
不同扫描仪采用多种图像采集技术，可能将扫描图像存储为专有格式或导出为一系列标准文件格式。理解这些技术限制对于确保最佳扫描质量和准确图像分析至关重要。本研究比较了来自两个全切片图像（WSI）平台——Leica的Aperio AT2（.SVS）和3DHistech的Panoramic P250 Flash III（.MRXS）——的图像格式，使用人工智能（AI）算法在10例结直肠癌（CRC）和10例非小细胞肺癌（NSCLC）病例中量化像素级、色彩特征和分割差异。同一张切片在两种平台上以20×独立扫描，并使用SlideMaster?将原生MRXS文件转换为SVS格式，从而研究人员能够分离文件格式转换（原生MRXS vs. MRXS-to-SVS，同一扫描仪）与扫描仪硬件（3DHistech衍生格式 vs. 原生Aperio SVS）的影响。原生MRXS和MRXS-to-SVS文件在像素值、色彩特征和AI预测方面表现出极高相似性，而原生Aperio SVS文件在图像大小、像素大小、像素数量和色彩特征上存在显著差异——这反映了扫描仪硬件和文件格式的联合效应，而非仅格式本身。鉴于样本量有限且缺乏预先设定的功效分析，这些发现是探索性和假设生成性的。研究人员预期将出现一种企业级通信标准，以统一图像格式，支持病理学家和AI软件进行一致、可重复的分析。
论文解读：数字病理学（DP）中全切片图像（WSI）文件格式的比较与图像分析研究
**研究背景与问题**
数字病理学（DP）的快速发展正推动病理学诊断模式的转变，其中全切片图像（WSI）技术通过将玻璃切片数字化实现高效协作、存档与计算分析。然而，不同扫描仪采用相异的图像采集方法，并常以专有文件格式（如Leica Aperio的.SVS和3DHistech的.MRXS）存储图像，导致同一组织样本在不同平台或查看软件中显现细微差异，影响病理学家评估和人工智能（AI）算法的性能。既往研究已指出扫描仪硬件差异（如物镜、相机、光源）及软件数据处理差异（如颜色校正、压缩）会引入图像变异，但直接比较原生MRXS、软件转换的MRXS-to-SVS文件及原生Aperio SVS文件，并利用AI辅助的像素级量化指标进行系统评估的研究仍有限。因此，研究人员开展此项研究，旨在分离软件文件格式转换与物理扫描仪硬件对图像特征的影响，量化像素级、色彩特征和AI分割差异，为DP技术投资和高质量分析提供依据。该论文发表在《Journal of Pathology Informatics》。
**研究内容与结论**
研究人员使用10例结直肠癌（CRC）和10例非小细胞肺癌（NSCLC）的H&E染色切片，在Leica Aperio AT2和3DHistech Panoramic P250 Flash III扫描仪上以20×倍率独立扫描。通过SlideMaster?软件将原生MRXS文件转换为SVS格式，从而创建三种比较格式：原生MRXS、MRXS-to-SVS转换文件、原生Aperio SVS。利用基于深度卷积神经网络（CNN）的AI模型（Aiforia Create v5.7.1）进行组织、肿瘤和坏死区域的自动分割，提取RGB强度值，并计算色彩比例。统计采用单因素方差分析（ANOVA）及Tukey多重比较检验。
结论：原生MRXS与MRXS-to-SVS转换文件在像素值、色彩特征和AI预测方面高度相似，表明3DHistech生态内的转换过程保持了像素保真度和色彩完整性。而原生Aperio SVS文件在图像大小、像素大小、像素数量和色彩特征上与3DHistech衍生文件存在显著差异，这些差异反映了扫描仪硬件与文件格式的联合效应，而非仅格式本身。该研究强调了格式标准化（如DICOM标准）的重要性，并指出在部署AI分析前需评估扫描仪平台、采集管道和文件格式的一致性。
**主要关键技术方法**
样本队列来源：Indivumed GmbH（德国），共20例（10例CRC，10例NSCLC）。主要技术方法：使用Aiforia Create平台构建CNN模型，采用多层级父-子层结构，先训练组织检测层（60μm视野），再训练更复杂的亚层（50μm视野）区分肿瘤与坏死区域。训练迭代3000-5000次，直至损失函数稳定低于1.0。模型精度通过F1评分验证（>90%）。RGB强度值从AI定义的组织、肿瘤和坏死区域提取。统计使用单因素ANOVA及Tukey多重比较检验（p<0.05为显著）。
**研究结果**
1. **AI分割比较**：研究人员通过CNN模型自动分割组织、坏死和肿瘤区域，实现了对三种格式的像素级对比。
2. **CRC RGB强度值**：在CRC全切片图像中，所有格式的红色通道强度均高于蓝色和绿色通道，坏死区域差异最显著。显著差异出现在：G坏死（MRXS vs. SVS, p=0.0172）、R坏死（MRXS vs. SVS, p<0.0001）、B组织（MRXS vs. SVS, p=0.0014）、G组织（MRXS vs. SVS, p=0.0001; MRXS-to-SVS vs. SVS, p=0.0002）、R组织（MRXS vs. SVS, p<0.0001; MRXS-to-SVS vs. SVS, p<0.0001）、B肿瘤（MRXS-to-SVS vs. SVS, p=0.0449）、G肿瘤（MRXS vs. SVS, p=0.0156; MRXS-to-SVS vs. SVS, p=0.0127）、R肿瘤（MRXS vs. SVS, p=0.0004; MRXS-to-SVS vs. SVS, p=0.0004）。
3. **NSCLC RGB强度值**：模式类似，红色通道强度高于蓝色和绿色，坏死区域差异最大。显著差异包括：G坏死（MRXS vs. SVS, p=0.0057; MRXS-to-SVS vs. SVS, p=0.0399）、G组织（MRXS vs. SVS, p=0.0023; MRXS-to-SVS vs. SVS, p=0.0024）、R组织（MRXS vs. SVS, p<0.0001; MRXS-to-SVS vs. SVS, p<0.0001）、B肿瘤（MRXS vs. SVS, p=0.0011; MRXS-to-SVS vs. SVS, p=0.001）、G肿瘤（MRXS vs. SVS, p<0.0001; MRXS-to-SVS vs. SVS, p<0.0001）、R肿瘤（MRXS vs. SVS, p<0.0001; MRXS-to-SVS vs. SVS, p<0.0001）。
4. **色彩比例比较**：通过计算肿瘤和坏死区域的RGB比例，确认MRXS和MRXS-to-SVS图像中红色通道优势显著高于原生SVS图像，为扫描仪和格式相关的色彩变异提供了量化框架。
5. **代表性全切片图像**：直观展示三种格式下的可见色彩平衡差异，原生SVS与3DHistech衍生文件在视觉上明显不同。
**讨论与结论**
讨论部分指出，DP的广泛应用要求不同扫描仪和IT系统间的无缝配合，而专有文件格式（如.SVS和.MRXS）可能违背FAIR原则。研究中观察到Aperio SVS与3DHistech衍生文件在图像大小、像素大小、像素数量和色彩特征上的显著差异，这些差异直接影响AI算法的性能与泛化性。例如，MRXS中更高的红色色彩特征可能导致CNN在识别肿瘤边界或坏死区域时产生变异。研究强调，这些格式和扫描仪相关的差异具有潜在临床意义，因为坏死和肿瘤边界描绘（受色彩偏移影响最大的区域）常用于肿瘤分级、治疗反应评估和生物标志物量化。在临床或AI部署前建立扫描仪和格式特定的校准或协调程序，可能有助于减少诊断不一致性。研究局限性包括样本量较小（各10例）且未进行正式功效分析，结果应视为探索性；以及未对AI模型在原生MRXS上的迁移性进行定量验证。此外，原生SVS与MRXS/MRXS-to-SVS的比较涉及不同扫描仪平台，差异不能归因于文件格式单独作用。
**结论翻译**：本研究旨在评估不同WSI扫描仪在图像生成中的变化，并概述所实施的改变。原生MRXS和MRXS-to-SVS转换文件在3DHistech工作流程中表现出高度一致性，表明转换过程保留了评估的像素级和色彩特征。相比之下，Aperio SVS文件在多个参数（包括图像大小、像素大小、像素数量和色彩特征）上与3DHistech衍生文件存在差异。然而，这些差异应解释为扫描仪/平台相关效应，而非单纯文件格式效应，因为扫描仪硬件、光学器件、照明、采集管道和文件格式均可能起作用。所注意到的变异性将影响视觉分析和机器学习实用性，可能阻碍AI的进步和泛化性。对于AI开发者而言，概述这些变化至关重要，同时需建立质量度量标准和测试工具，遵循最佳扫描实践。总之，这些发现强调了在不同DP系统上部署AI图像分析之前，需要评估扫描仪平台、采集管道、文件转换工作流程以及颜色/像素级一致性。
