机器学习辅助SHG形态计量学揭示骨髓活检中骨小梁与纤维化的不同胶原微结构

《International Journal of Molecular Sciences》:Machine Learning-Assisted SHG Morphometry Reveals Distinct Collagen Microarchitectures of Trabecular Bone and Fibrosis in Bone Marrow Biopsies

【字体: 大 中 小 】 时间:2026年08月29日 来源:International Journal of Molecular Sciences 5.6

编辑推荐:

  骨髓活检中的胶原微结构是一个很大程度上尚未被充分探索的候选定量生物标志物来源,可用于组织病理学诊断和组织重塑分析。虽然二次谐波发生(SHG)显微镜已越来越多地应用于纤维化评估,但骨髓环钻活检中骨小梁的胶原组织仍缺乏充分表征。在此,研究人员将高分辨率SHG显微镜

  
骨髓活检中的胶原微结构是一个很大程度上尚未被充分探索的候选定量生物标志物来源,可用于组织病理学诊断和组织重塑分析。虽然二次谐波发生(SHG)显微镜已越来越多地应用于纤维化评估,但骨髓环钻活检中骨小梁的胶原组织仍缺乏充分表征。在此,研究人员将高分辨率SHG显微镜与浅层机器学习辅助形态计量学相结合,比较了原发性骨髓纤维化患者骨髓活检中结构化骨小梁、非结构化骨小梁和纤维化的胶原结构。SHG图像分割使用Fiji中的LabKit插件进行。研究人员评估了多种注释策略,以确定能够保留纤维结构的分类器配置。定量形态计量学分析揭示了不同组织类型之间胶原组织的显著差异。逐患者分析一致表明,与结构化骨小梁相比,纤维化中的胶原纤维更细且分支复杂性更低。相反,非结构化骨小梁表现出广泛的网络分支,伴随更短的骨架分支长度,这与重塑相关的骨小梁胶原结构改变一致。研究结果进一步表明,注释策略显著影响SHG胶原分析中的分割结果和下游形态计量学测量。总体而言,这项描述性概念验证研究建立了一个可重现的机器学习辅助SHG形态计量学工作流程,可能有助于骨髓病理中纤维化、骨重塑和细胞外基质组织的定量评估。
论文解读:机器学习辅助SHG形态计量学在骨髓活检中的应用

骨髓微环境在骨髓增殖性肿瘤及其他血液恶性肿瘤的发生和进展中发挥核心作用,肿瘤相关的血管、骨内膜和纤维化龛已被证实可显著影响肿瘤进展、干细胞维持、炎症信号及治疗反应。细胞外基质(ECM)中的胶原组织不仅是结构性支架,还通过影响组织力学、细胞黏附、迁移和信号转导参与造血及肿瘤细胞行为的调控。二次谐波发生(SHG)显微镜作为一种无标记成像技术,能够高灵敏度地反映纤维状胶原的组织和堆积几何,已被广泛用于皮肤、肝脏、骨等组织的纤维化评估。然而,在骨髓环钻活检中,SHG研究多集中于纤维化胶原的积累,而对骨小梁胶原微结构的定量表征仍严重不足。原发性骨髓纤维化患者不仅常伴有纤维化,还表现出显著的骨重塑和骨质硬化性微结构改变,因此亟需一种能够在同一活检标本中同时定量分析纤维化和骨小梁胶原结构的方法。基于此,研究人员开展了一项描述性概念验证研究,旨在建立可重现的机器学习辅助SHG形态计量学工作流程,并识别能够区分结构化骨小梁、非结构化骨小梁和纤维化的定量胶原微结构描述符。该论文发表于《International Journal of Molecular Sciences》。

研究共纳入3例经WHO标准确诊的显性原发性骨髓纤维化患者,样本来自俄罗斯B.V.彼得罗夫斯基外科科学中心伦理委员会批准的项目。主要技术方法包括:使用800 nm激发的高分辨率SHG显微镜(10×/0.4油浸物镜,像素尺寸200 nm)采集4096×4096像素图像;采用Fiji中的LabKit浅层学习插件进行图像分割,通过Dice系数和交并比(IoU)评估分割性能;对二值掩模应用局部厚度算法量化胶原纤维宽度,应用骨架插件提取分支数、分支长度等网络几何参数,并使用方向性插件(傅里叶分量法)分析胶原取向和角度离散度。统计分析采用估计统计框架,以平均配对差异和bootstrap置信区间报告效应量,并计算Cohen's dz。

研究结果部分主要包括以下内容:

2.1 高分辨率SHG成像:研究团队成功获取了人骨髓环钻活检标本中骨和纤维化的高分辨率、高对比度SHG图像,观察到具有平行条纹状强SHG信号的结构化骨小梁,缺乏规则排列的非结构化骨小梁,以及纤维化区域中稀疏或广泛的胶原纤维网络。

2.2 创建LabKit分类器:研究人员创建了6个采用不同前景/背景注释策略的LabKit分类器,这些策略在SHG强度选择、纤维直度/扭曲度、纤维数量和背景线设置等方面存在差异。

2.3 分类器比较:通过专家共识评估和定量指标验证,分类器4在全部SHG信号强度范围内均表现出最准确的分割性能,能够避免高亮结构的合并并保留低强度纤维,因此被选为后续定量分析的最优分类器。

2.4 成功分类器的训练规则:通过系统性比较注释策略,研究人员提出了若干实用规则,包括前景与背景注释线应靠近、背景注释尽量位于前景两侧、前景注释应沿连续胶原纤维并包含高低强度像素、前景注释应覆盖纤维全宽等。实验验证表明,遵循这些规则的分类器在结构化骨和纤维化图像上均获得更高的Dice系数和IoU值。

2.5 嵌入机器学习的Fiji流程:研究开发了两种Fiji工作流程。流程1对全尺寸SHG图像进行LabKit分割后手动选择ROI,随后进行局部厚度和骨架分析;流程2可对预设ROI进行自动处理。该流程比手工处理速度提高约8.5倍,且减少了操作者干预。

2.6 骨与纤维化胶原微结构的定量分析:使用分类器4对3例患者的每类组织各10个ROI进行分析。2.6.1 胶原纤维宽度:与结构化骨小梁相比,纤维化的胶原纤维始终更细;非结构化骨小梁的纤维宽度分布较结构化骨左移。结构化骨小梁的纤维厚度分布显示约3.2 μm的稳定峰值。2.6.2 胶原网络几何:结构化骨小梁比纤维化表现出更高的分支数量;非结构化骨小梁比结构化骨小梁分支更多、分支长度更短。按分支数分箱(0–1、2–10、11–100、>100)后的差异分析进一步确认了这些差异。2.6.3 胶原取向:结构化骨小梁呈现明显的优势纤维取向,角度离散度显著低于非结构化骨小梁和纤维化,而后两者取向分布更宽,提示更各向同性的胶原组织。

讨论部分指出,SHG信号形态受纤维相对于成像平面的取向影响,观察到的非结构化模式可能反映了重塑相关的骨小梁胶原解离与三维取向投影效应的共同作用。研究表明,与黑箱式深度学习相比,浅层学习辅助分割具有分类器生成快速、注释负担低、可直接集成到Fiji流程且结果可解释的优势。注释策略显著影响分割结果,强调了训练数据设计的重要性。该工作流程有望扩展到其他纤维化、骨相关和ECM相关病理研究,但需在更大规模患者队列中验证。

研究结论可翻译为:总体而言,本研究发现,SHG显微镜结合可重现的浅层机器学习辅助形态计量学,能够在骨髓病理中实现对纤维化和骨小梁微结构的定量分析。除了传统的胶原沉积评估外,该方法还提供了胶原组织、分支结构和结构异质性的定量描述符,从而扩展了骨髓重塑研究的分析工具库。这些结果支持胶原微结构是骨髓龛微环境中一个具有信息价值且很大程度上尚未被充分探索的组成部分。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号