《Journal of Pathology Informatics》：Slide-free FIBI histology for improved quantitative vascular network analysis in breast cancer: Integrating vessel geometry and topology metrics
编辑推荐：
数字病理学日益寻求从常规组织学图像中提取定量血管和微环境特征，但薄切片苏木精-伊红（H&E）切片可能使血管碎片化并掩盖其空间组织，限制了下游计算分析。无切片荧光模拟明场成像（FIBI）可在数分钟内直接从新鲜或固定组织或已制备的石蜡块中产生组织学样图像，并能更好
数字病理学日益寻求从常规组织学图像中提取定量血管和微环境特征，但薄切片苏木精-伊红（H&E）切片可能使血管碎片化并掩盖其空间组织，限制了下游计算分析。无切片荧光模拟明场成像（FIBI）可在数分钟内直接从新鲜或固定组织或已制备的石蜡块中产生组织学样图像，并能更好地保留乳腺癌及其他标本中表观微血管连续性。在这项探索性数字病理学研究中，研究人员从石蜡包埋的乳腺组织块中获取配对FIBI和H&E图像，手动分割肿瘤和肿瘤旁基质中的血管，并使用标准基于几何的指标和拓扑衍生的血管间排列描述符（包括一种基于持久同调（PH）的“血管间距”指标，用于捕捉多尺度聚类）来量化血管结构。此处，几何指单个血管的特性（大小、长度和分支），而拓扑总结血管如何作为网络排列，包括它们聚类的紧密或松散程度。与匹配的H&E切片相比，FIBI图像在血管信息上表现出易于察觉的增加，血管在几何（例如更大面积、更多分支等）和网络拓扑（例如减少的血管间分离）上均显得更连续和更清晰。受这种信息量增加定性印象的驱动，本研究旨在通过对比H&E和FIBI图像对中血管的互补几何和拓扑衍生指标，定量评估并验证这些差异。特别地，持久同调衍生的拓扑指标提供了标准几何描述符无法线性解释的信息。这些发现共同展示了一个实用的数字病理学流程，整合了无切片FIBI采集、血管标注、基于几何和拓扑的特征提取，并表明FIBI衍生的血管特征，特别是与自动血管分割结合时，可为未来基于计算和人工智能的病理学模型及潜在临床应用提供信息输入。
**论文解读：无切片FIBI组织学整合几何与拓扑指标改善乳腺癌定量血管网络分析**
**研究背景**
数字病理学的发展使得从常规苏木精-伊红（H&E）染色切片中提取定量血管和微环境特征成为可能，但传统薄切片（4-μm）制备过程会导致血管断裂、空间组织模糊，从而限制下游计算分析。此外，标准组织学工作流程耗时较长，从数小时到数天不等，延迟了诊断或研究级材料的可用性。为解决这些问题，研究人员开发了无切片成像方法，其中荧光模拟明场成像（FIBI）能在3-5分钟内从新鲜或固定组织或已制备的石蜡块中生成H&E样图像，并可能通过保留更厚的组织体积来改善微血管网络的连续性。本研究旨在整合FIBI采集、手动血管标注、几何与拓扑特征提取，定量比较FIBI与H&E在乳腺癌血管网络中的差异，并验证拓扑指标（如基于持久同调（PH）的“血管间距”）是否提供几何指标无法捕捉的额外信息。该论文发表在《Journal of Pathology Informatics》。
**主要关键技术方法**
研究人员从加州大学戴维斯分校病理与检验医学系获取10个福尔马林固定石蜡包埋（FFPE）乳腺组织块（其中9个来自浸润性乳腺癌手术标本，1个为良性缩乳标本），对每个石蜡块进行4-μm切片和H&E染色，并扫描全切片图像；随后对石蜡块表面进行脱蜡、复水、快速H&E染色，并使用定制FIBI显微镜（405 nm LED激发，20×物镜）成像。在QuPath 0.6.0中手动标注肿瘤和肿瘤旁基质区域的血管，导出标注掩膜。计算几何指标（微血管密度、面积、周长、圆形度、长度、弯曲度、分支度数、连接点数量）和拓扑指标（基于持久同调（PH）的H0和H1特征，包括均值/最大持久性、L2范数即“血管间距”），并采用混合效应模型和逻辑回归模型进行统计分析。
**研究结果**
**数据集与分析概览**
研究人员分析了配对FIBI–H&E图像，分为致密肿瘤区和肿瘤旁基质区，手动分割血管，并应用几何和拓扑指标进行定量分析。
**视觉与定量比较**
通过线性模型比较14个指标，发现与H&E相比，FIBI图像中血管面积、周长、弯曲度、长度和连接点数量显著增加，而微血管密度（MVD）、圆形度和血管间距显著降低（所有p值经Bonferroni校正后仍显著）。具体地，FIBI中血管间距降低14%，MVD降低20%，圆形度降低20%，弯曲度增加46%，连接点数量增加70%，面积增加75%，周长增加61%，长度增加84%。血管间距（拓扑指标）表现出最小的绝对效应但最小的p值，提示其稳健性。进一步分析显示，血管间距不能被几何指标线性解释（调整R2接近零），表明拓扑指标提供了独立信息。
**FIBI变量与组织区域的关系**
通过逻辑回归模型，研究人员发现FIBI衍生的血管指标（特别是标准化后的指标）能显著区分肿瘤与肿瘤旁基质。比较基线模型与移除FIBI效应后的模型，AIC值差异为3.7，支持基线模型更优，说明FIBI图像中的额外血管信息有助于组织区域的计算分离。
**关键发现总结**
与H&E切片相比，FIBI可视化的血管结构表现为更少、更大、更复杂且彼此更接近，表明FIBI能更好地捕捉血管组织学信号，且拓扑数据分析（TDA）提供了互补的测量信息。
**讨论与结论**
讨论部分指出，FIBI与薄切片H&E之间的差异可能源于多种因素：厚表面成像可能保留单个血管的连续性，但也可能合并邻近小血管、改变对比度或引入投影效应。研究人员强调，FIBI图像并非“真实”网络表示，未来需借助三维（3D）洗脱组织或共聚焦成像等验证。此外，该研究存在局限性：样本量小且仅来自乳腺组织（单中心），血管标注为手动，缺乏自动分割，以及未与诊断或预后任务关联。尽管如此，从病理信息学角度，FIBI可提供比薄切片H&E更高质量的血管特征提取基底，结合几何与拓扑指标可增强特征空间，有助于未来机器学习模型应用于分级、风险分层或疗效预测。
**研究结论翻译**
如果FIBI能够以远低于常规H&E的成本和时间持续展示增强的生物学显著性组织学特征，则它可作为快速数字输入在计算病理学流程中发挥有用作用。研究人员将获得更连续、信息更丰富的血管和微环境特征用于算法开发，而临床工作流程则可受益于更快、成本效益更高的组织评估，同时不牺牲诊断信心。结合自动分割和高级建模，FIBI成像与定量特征工程（包括基于拓扑的描述符）的整合，为向更信息丰富且可扩展的数字病理学提供了有前景的途径。
