基于神经网络与荧光寿命成像显微术（FLIM）数据的快速诊断决策支持系统：肝脏、皮肤及胰腺组织的分割与分类

《International Journal of Molecular Sciences》：Neural Network-Based System for Rapid Diagnostic Decision Support Using FLIM Data: Segmentation and Classification in Liver, Skin, and Pancreatic Tissues

　　

荧光寿命成像显微术（FLIM）是一种通过测量内源性荧光团——如还原型烟酰胺腺嘌呤二核苷酸（磷酸）（NAD(P)H）的荧光寿命来分析代谢变化的强大工具，能够区分不同组织中的正常状态与病理状态。然而，传统的FLIM数据处理方式存在若干缺陷，包括感兴趣区域选择的主观性、分析参数的变异性、耗时的处理流程以及固有的研究人员偏差。为解决这些局限性，研究人员开发了一条自动化流水线，利用多个预训练的基础模型——SAM 2、CellposeSAM、LACSS和CellSAM——对肝脏、胰腺和皮肤组织进行快速的基于强度的分割，并对后续的FLIM参数进行分类。通过比较分析，研究人员确定了最适合每种组织类型的模型，并实现了对正常与病理条件的准确判别。SAM 2和LACSS在健康和病变组织上均表现出稳定的分割性能，但各有优势：SAM 2擅长分割大型结构（例如完整的胰岛或非常大的细胞），而LACSS在处理小型结构时更为有效。相比之下，CellposeSAM和CellSAM的整体分割一致性较差，但在特定情况下效率显著较高。这些发现为快速、自动地区分正常与病理组织奠定了基础，为现有的临床方法和FLIM研究工作流程提供了有力的补充。

论文解读文章

研究背景与现存问题

荧光寿命成像显微术（FLIM）是一种具有高时空分辨率的分子成像技术，通过测量内源性荧光团如还原型烟酰胺腺嘌呤二核苷酸（磷酸）（NAD(P)H）的荧光寿命，能够灵敏地反映荧光团的构象及其局部微环境变化，从而有效区分组织和器官的正常与病理状态。已有研究表明，FLIM在识别肝病、糖尿病和癌症等病理状态的代谢改变方面具有良好效果。然而，传统的手动FLIM数据分析面临多重挑战：主观阈值设定导致信号与背景分离不一致；手动勾画感兴趣区域（ROI）易引入选择偏差，损害统计客观性；缺乏标准化协议使得跨实验室的结果难以重复；处理大规模复杂数据集耗时费力，通量低下。这些局限性凸显了开发自动化、标准化计算解决方案的迫切需求。

研究目的与核心工作

为克服上述不足，研究人员开发了一套自动化流水线，整合了四种最常用的预训练基础模型——SAM 2、CellposeSAM、LACSS和CellSAM——用于对肝脏、皮肤和胰腺（胰岛）组织进行快速、基于强度的自动语义分割，并结合商业软件SPCImage获得的FLIM参数，实现后续的分类分析。研究人员通过比较各模型的分割质量、速度以及与手动分析结果的对比性，筛选出最适合各组织类型的模型，并最终利用随机森林（Random Forest）分类器构建了一个基于FLIM数据的快速诊断决策支持系统，用以区分正常与病理组织。

主要关键技术方法

1. 1.
   实验模型与样本来源：所有组织样本及FLIM数据收集自俄罗斯Privolzhsky Research Medical University。肝脏组织来自雄性Wistar大鼠，分为正常组、诱导的脂肪变性组（高脂饮食）和纤维化组（四氯化碳腹腔注射）；胰腺胰岛取自健康大鼠及链脲佐菌素诱导的Ⅰ型糖尿病大鼠模型；皮肤组织来自健康患者及黑色素瘤患者。
2. 2.
   FLIM数据获取与预处理：使用配备飞秒钛宝石激光器的共聚焦显微镜（LSM 880）或多光子荧光断层扫描仪（MPTflex?）采集NAD(P)H荧光信号。采用双指数或三指数衰减模型拟合荧光衰减曲线，获取FLIM参数（t₁、t₂、t₃及对应相对振幅a₁、a₂、a₃，以及振幅加权平均荧光寿命t_m）。
3. 3.
   自动分割与分类算法：应用四个预训练基础模型（SAM 2、CellposeSAM、LACSS、CellSAM）进行自动语义分割。通过自适应直方图均衡化和双阈值Otsu算法预处理强度图像。采用随机森林（Random Forest）集成学习算法，配合自动超参数选择，对提取的细胞级FLIM参数进行分类训练与验证。

研究结果

2.1 分割基础模型的特性

研究人员根据文献编制了四种模型（SAM 2、CellposeSAM、LACSS、CellSAM）的特征对比表，重点评估了它们在分割质量、速度和可比性方面的表现。

2.2 分割质量与速度

2.2.1 质量

• •
  肝脏组织：病理状态降低了分割质量。CellposeSAM和LACSS在正常组织中召回率最高（分别为0.644和0.703），在病理组织中仍保持中等水平（分别为0.463和0.679）。CellSAM召回率最低（正常0.25，病理0.181）。SAM 2准确性不稳定，标准差较大。
• •
  皮肤组织：LACSS准确性和稳定性最高（正常0.711±0.068，黑色素瘤0.822±0.075）。SAM 2中等（正常0.341±0.146，黑色素瘤0.398±0.087）。CellposeSAM和CellSAM准确度低或不稳定。
• •
  胰腺组织（胰岛）：SAM 2（正常0.856±0.032，糖尿病0.665±0.163）和CellSAM（正常0.937±0.015，糖尿病0.743±0.087）准确性最高。LACSS略低（正常0.609±0.053，糖尿病0.566±0.059）。CellposeSAM准确性和稳定性均最低。

2.2.2 速度

CellposeSAM最快（平均5.148秒），SAM 2最慢（平均55.59秒），LACSS和CellSAM分别为10.263秒和6.63秒。

2.3 分割可比性

• •
  肝脏：CellposeSAM在脂肪变性和纤维化中可比性最高（0.611±0.1和0.74±0.054）。SAM 2对纤维化可比性高（0.741±0.069），对脂肪变性中等（0.579±0.164）。CellSAM最低。
• •
  皮肤：LACSS可比性最高（正常0.84，黑色素瘤0.89）。CellSAM（正常0.558）和CellposeSAM（黑色素瘤0.504）最低。
• •
  胰腺：CellposeSAM、LACSS和CellSAM的可比性相近且较高（约0.75）。SAM 2也较高（正常0.683，糖尿病0.523）。
• •
  相关性分析显示，肝脏和皮肤组织中准确性与可比性呈正相关，而胰腺组织呈负相关。模型准确性越高，FLIM参数值（如t_m）的离散度越小，结果越稳定。

2.4 分类准确性

研究人员开发了基于随机森林的分类算法，用于判断肝脏、胰腺和皮肤组织的正常与病理状态。参数a₂在单细胞分析中贡献最大，而t_m贡献最小。该算法在区分正常与病理组织方面表现出高准确性：

• •
  皮肤组织：F1=0.95，ROC-AUC=0.958。
• •
  肝脏组织：F1=0.963，ROC-AUC=0.964；早期与晚期病理分类：F1=0.984，ROC-AUC=0.984。
• •
  胰腺组织：F1=0.836，ROC-AUC=0.829。
• •
  该算法还能有效区分早期与晚期肝脏病理，并可基于图像平均值进行分类（F1=0.867，ROC-AUC=0.844）。

讨论与结论总结

讨论部分：研究人员指出，准确的图像分割与分类是生物医学成像中最具挑战性的应用之一。他们开发的自动分类算法通过消除阈值歧义、避免ROI选择偏差、提高结果可重复性和处理规模可扩展性，解决了手动分析的弊端。在所有模型中，SAM 2和LACSS在质量、速度和可比性方面表现最佳，但SAM 2速度最慢（约为CellposeSAM的10倍）。CellposeSAM仅在均匀实质组织中表现良好，而CellSAM整体表现最差。值得注意的是，分割准确性与可比性相关，因此可能仍需人工质量控制以确保FLIM参数值的准确性。此外，不同病理状态下FLIM参数的变化（如肝脏中a₂、a₃的变化，皮肤黑色素瘤中a₂降低导致的t_m下降，以及糖尿病胰岛中a₂升高和t₁、t₂下降）均与已知的生理代谢过程（如糖酵解、氧化磷酸化、脂质代谢改变）一致。

结论部分：研究人员开发了一种有效的基于FLIM数据的快速决策支持系统，利用随机森林分类器，借助病理条件下显著的代谢谱变化来有效区分正常与病理组织。通过测试多种广泛使用的分割模型，研究人员确定了SAM 2在分割质量上是最佳选择，因其算法具有高度泛化能力，零样本分析即可达到较高质量，但速度最慢且在小细胞组织（如胰腺）中可能存在困难。LACSS和CellposeSAM准确度高但依赖训练数据。CellSAM除胰腺小细胞区域外，整体分割质量较低。该自动化病理组织分类算法基于代谢分化，可提升高精度诊断水平，并可扩展至多种组织类型和病理状态。