《Cancers》：Cross-Domain Generalization of a CNN Trained on Oral and Oropharyngeal Squamous Cell Carcinoma Histopathology Using External Validation on Metastatic Lymph Node Tissue
编辑推荐：
背景：卷积神经网络（CNN）在口腔鳞状细胞癌（OSCC）的组织病理学分类中表现良好，但其在不同组织域间的稳健性尚未得到充分研究。本研究评估了仅基于原发性口腔和口咽鳞状细胞癌图像训练的CNN是否可迁移至独立的转移性淋巴结组织病理学数据集。方法：合并三个公共数据集
背景：卷积神经网络（CNN）在口腔鳞状细胞癌（OSCC）的组织病理学分类中表现良好，但其在不同组织域间的稳健性尚未得到充分研究。本研究评估了仅基于原发性口腔和口咽鳞状细胞癌图像训练的CNN是否可迁移至独立的转移性淋巴结组织病理学数据集。方法：合并三个公共数据集，包含14,760张OSCC/OPSCC图像和8,530张正常口腔黏膜图像，用于模型开发。使用ImageNet预训练的EfficientNetB0骨干网络作为固定特征提取器，并附加一个任务特异性二分类头。首先在独立的内部测试子集上评估性能，随后在来自另一个公共数据集的20,000张H&E染色的正常和转移性淋巴结组织块上评估。结果：模型在内部测试中达到91.48%的准确率，92.95%的敏感性，88.92%的特异性，93.56%的精确率，93.25%的F1分数，以及Youden's J指数0.819。外部验证导致整体分类性能显著下降，准确率为56.91%，特异性为33.32%，精确率为48.71%，F1分数为63.37%，平衡准确率为61.99%，MCC为0.279，Youden's J指数为0.240。尽管如此，对转移性组织的敏感性仍高达90.66%，表明外部错误分布呈现显著不对称性，以假阳性分类为主。结论：外部验证期间性能的显著下降表明，在差异显著的组织病理学环境之间直接进行跨域迁移存在局限性。然而，保持的敏感性提示部分判别信息仍可迁移至开发域之外。这些发现支持部分而非完全的跨域泛化，并强调了在评估计算病理学中深度学习稳健性时，独立分布外评估的重要性。
**论文解读：基于卷积神经网络的口腔和口咽鳞状细胞癌组织病理学跨域泛化研究**
**研究背景与问题**
口腔鳞状细胞癌（OSCC）和口咽鳞状细胞癌（OPSCC）是头颈部最常见的恶性肿瘤，占该区域恶性上皮肿瘤的90%以上。其组织病理学诊断仍为金标准，但近年来人工智能（AI），特别是卷积神经网络（CNN）在辅助组织病理学诊断方面展现出巨大潜力。然而，现有CNN模型大多在单一机构、扫描仪、染色方案或解剖部位的数据集上训练和评估，其跨不同实验室、采集方案及生物组织环境的泛化能力尚未充分探索。尤其不清楚AI从原发性鳞状细胞癌学习到的形态学特征能否成功迁移至不同原发恶性肿瘤来源的淋巴结转移灶。因此，本研究旨在评估基于EfficientNet的CNN在三个独立OSCC/OPSCC组织病理图像数据集上训练后，能否在第四个完全独立的淋巴结转移数据集上实现跨域泛化。研究人员假设，仅基于原发性口腔和口咽鳞状细胞癌组织病理学训练的CNN，可通过学习可迁移的形态学表征而非依赖数据集或扫描仪特定特征，部分泛化至不同的组织病理学领域。论文发表在《Cancers》。
**主要技术方法**
研究人员从Kaggle平台获取四个公共数据集。前三个数据集用于模型开发（训练、验证和内部测试），共包含14,760张恶性（OSCC/OPSCC）图像和8,530张正常口腔黏膜图像；第四个独立数据集（PatchCamelyon，来自CAMELYON16挑战）包含20,000张H&E染色的正常和转移性淋巴结组织块，仅用于外部验证。采用ImageNet预训练的EfficientNetB0作为固定特征提取器，移除原始分类头后添加二分类头：全局平均池化层、128个神经元的全连接层（ReLU激活）、两个Dropout层及sigmoid输出层。所有图像统一缩放至96×96像素，使用Adamax优化器和二分类交叉熵损失函数训练10个epoch，骨干网络保持冻结。
**研究结果**
**3.1 模型在开发数据集上的性能**
内部测试的独立子集评估显示，模型达到91.48%的准确率，敏感性92.95%，特异性88.92%，精确率93.56%，F1分数93.25%，Youden's J指数0.819，马修斯相关系数（MCC）0.817。训练和验证曲线快速收敛，无显著过拟合。
**3.2 在独立淋巴结组织数据集上的外部验证**
外部验证中，模型正确分类7,457/8,225张转移性组织图像（敏感性90.66%），但仅正确识别3,924/11,775张正常淋巴结图像（特异性33.32%）。整体准确率56.91%，精确率48.71%，F1分数63.34%，平衡准确率61.99%，MCC 0.279，Youden's J指数0.240。错误分布显著不对称，假阳性率高达66.68%，而假阴性率仅9.34%。
**讨论与结论**
讨论部分指出，模型在内部测试中表现优良，但外部验证性能大幅下降，验证了直接跨域迁移的局限性。然而，高敏感性（90.66%）表明部分判别信息（如核密度增加、核多形性、染色质深染等）仍可跨域迁移。低特异性归因于正常淋巴结中密集的淋巴细胞产生高核细胞性，与恶性组织低层特征重叠。假阳性率升高也与图像块尺寸限制及域移有关。研究局限性包括：仅使用公共数据集、缺乏详细元数据、图像缩放损失细节、基于图像块而非全切片图像（WSI）、未验证患者独立性、未进行多架构比较等。未来工作将构建前瞻性WSI数据集，采用域适应策略并与病理学基础模型对比。
研究结论翻译：所提出的基于EfficientNetB0的分类器在开发域内表现强劲，内部测试准确率91.48%，敏感性92.95%，特异性88.92%，F1分数93.25%。外部验证在独立淋巴结组织病理学数据集上导致整体性能显著下降，准确率56.91%，特异性33.32%，平衡准确率61.99%，MCC 0.279。尽管如此，对转移性组织的敏感性仍高（90.66%）。不对称的外部性能（敏感性保留但假阳性率高）表明部分判别信息可跨域迁移，但所学表征在显著不同的淋巴结组织环境中不足以实现稳健分类。因此，本研究支持部分而非完全的跨域泛化，不应视为临床就绪。该研究强调了在显著组织病理学域移下深度学习表征迁移的潜力与局限，独立分布外评估可揭示内部测试无法捕捉的重要限制。
