将全球背景视为有益信号而非干扰因素：一种自上而下的前列腺边缘处理框架

《Signal Processing》：Exploiting global context as beneficial signal instead of noise: A top-down framework for robust prostate margin processing

　　

• •
  TD-VAN利用全局上下文来抑制前列腺边缘的组织学相似性。
• •
  多尺度采样整合了结构和细胞学证据。
• •
  区域分析量化了肿瘤负荷、边缘距离和Gleason分级。

引言

前列腺癌是男性中最常见的恶性肿瘤之一，对全球癌症负担贡献巨大[1]。对于具有治愈目的的局部病变，根治性前列腺切除术仍然是核心的治疗选择[2]，[3]。因此，对手术边缘进行准确的病理评估对于术后管理和预后分层非常重要。目前的共识将阳性手术边缘（PSM）定义为肿瘤细胞延伸到标记的切除缘，并推荐标准化的报告方式[4]，[5]。PSM与生化复发的风险增加有关，可能影响是否考虑辅助或早期挽救性放疗[6]，[7]。

然而，传统的边缘评估仍然主要是二元的。阳性/阴性标签并不能完全描述肿瘤负荷或空间拓扑[5]，[6]。包括阳性边缘长度、多灶性、解剖位置和边缘处的Gleason分级在内的额外描述符可以进一步细化复发风险的分层。这些参数尚未得到一致量化或纳入常规病理报告中[8]，[9]。观察者之间的差异仍然很大，经验或切片处理的差异也会影响诊断的可重复性[10]。

计算病理学和深度学习重塑了前列腺癌的诊断方法。全片成像系统在肿瘤检测和Gleason分级方面的表现与专家泌尿病理学家相当[11]，[12]，[13]。自监督学习和病理学基础模型进一步改进了特征表示和数据效率，为手术边缘区域的全景和多尺度分析提供了坚实的基础[14]，[15]，[16]。更广泛地说，人工智能驱动的传感系统展示了如何从复杂的物理观察中提取与任务相关的结构，而不是将其视为无差别的干扰[17]。

这些进步为将手术边缘评估从二元决策扩展到更详细的信息提供了机会。空间分辨系统还可以表征肿瘤负荷、与标记边缘的接近程度以及Gleason分级组成。这样的测量可以为术后风险评估提供结构化的证据，同时补充现有的临床病理学因素。

然而，手术边缘分析仍然是一个独特且未得到充分解决的问题。以补丁为中心的多实例学习框架通常处理局部区域，对周围组织结构的显式认识有限[18]，[19]，[20]。这一限制很重要，因为良性炎症、萎缩的腺体和基质变化在局部可能与癌变相似。它们是良性还是恶性的意义往往只有在考虑更广泛的结构和地形背景时才会变得明显。

这一区别与最近的研究结果一致，表明并非所有明显的噪声都是有害的。正激励噪声研究表明，结构化的扰动和增强可以视为与任务相关的变异，从而改善学习[21]，[22]，[23]。相关方法已经扩展到类别增量学习、生成模型和多模态大型语言模型[24]，[25]，[26]。互补的鲁棒学习研究在保留有用的区分结构的同时，抑制了真正有害的标签、特征或表示噪声[27]，[28]，[29]，[30]。在我们的设置中，没有注入合成噪声。相反，连贯的低功率组织结构被视为有益信号，而局部欺骗性的组织学相似性和伪影则被视为需要抑制的噪声。

受到这种信号处理视角的启发，我们提出了一个仿生自上而下的视觉注意力网络（TD-VAN）。该设计还基于多尺度特征提取和互补的全局-局部先验[31]，[32]，[33]。在这里，“全局上下文”特指在高功率细胞学检查之前使用的低功率结构和地形线索。这些线索包括腺体拥挤、浸润性排列、基质组织、炎症聚集、可疑腺体的空间连续性以及它们与标记手术边缘的关系。TD-VAN使用Overview-Net来提取这些宏观先验，并指导局部Focus-Net。这种自上而下的指导促进了局部细胞学与周围组织结构之间的一致性，从而减少了由炎症、基质或萎缩相似性引起的假阳性。

基于这种基于上下文的分类能力，我们引入了地形区域分析方法。该方法根据与手术标记点的测地距离将边缘微环境划分为距离分层的轮廓区域，然后量化这些区域内的肿瘤负荷和Gleason分级组成。严格的 时间验证协议在后来未见过的队列上评估该模型，以近似其在未来同一机构的临床样本上的应用。

主要贡献总结如下：

• •
  有益的上下文建模：我们将连贯的全局结构重新解释为与任务相关的信号，而不是干扰性的变化，并用它来抑制局部欺骗性的类似噪声。
• •
  仿生架构设计：我们通过自上而下的上下文指导来重现病理学家的先观察后聚焦的工作流程。
• •
  自动区域划分和分析：我们在距离分层的区域内量化边缘接近度、肿瘤负荷和Gleason分级组成。
• •
  严格的 时间验证：我们在时间上不同的未来队列上评估该框架，以评估其对纵向临床变化的鲁棒性。

章节片段

癌症诊断中的数字病理学

从玻璃切片到全片图像的转变使得大规模自动化癌症分析成为可能[34]，[35]。现代系统使用卷积神经网络和视觉 transformers进行诊断、分级和生物标志物预测[36]。在前列腺癌中，专门的深度学习系统减少了筛查负担，并实现了与专家评估相当的诊断一致性[12]，[13]。

问题阐述

本研究的主要目标是开发一个深度学习框架，用于自动和准确评估根治性前列腺切除术标本中的阳性手术边缘（PSM）。在当前的临床实践中，这种评估不仅仅是一个二分类问题，而是一个复杂的诊断任务，需要区分真正的癌变和手术改变的边缘微环境中的各种良性组织学相似性。最关键的诊断挑战是

数据集和时间验证策略

为了严格评估所提出的TD-VAN框架对纵向数据变化的临床鲁棒性，我们采用了严格的时间验证策略，而不是传统的随机分割方法。只有配对的WSI-标注样本被纳入模型开发和评估。每个配对样本包括一个NDPI全片图像及其匹配的XML标注文件。未配对的文件和中间可视化图像在分析前被排除。

最终数据集

对组织学相似性和伪影的临床鲁棒性

TD-VAN的鲁棒性来源于上下文的一致性。良性相似物，如慢性炎症、萎缩的腺体和基质增生，可能在局部与癌变相似。在高倍放大下，良性和恶性区域都可能表现出密集的小蓝细胞形态。然而，在低放大倍率下，良性相似物通常缺乏浸润性腺体排列、破坏性基质侵袭和与恶性腺体的空间连续性。Overview-Net衍生的上下文先验

结论

我们提出了TD-VAN，这是一个用于稳健的前列腺手术边缘评估的仿生自上而下的视觉注意力框架。该框架将低功率的结构和地形上下文视为有益信号，而不是干扰性变化。这种上下文指导了局部细胞学的识别，减少了组织学相似性带来的歧义，并提高了局部证据与组织级组织之间的一致性。我们还引入了自动化的地形区域分析方法，以将二值结果转化为更详细的分析

CRediT作者贡献声明

Jingliang Zhang：撰写——原始草案，可视化。Guanxiong He：软件，概念化。Wenbo Zhang：软件。Xianglong Jin：验证。Weijun Qin：验证，软件。Zheng Wang：数据管理。Fuli Wang：监督，方法论。

Jingliang Zhang|Guanxiong He|Wenbo Zhang|Xianglong Jin|Weijun Qin|Zheng Wang|Fuli Wang