《Frontiers in Artificial Intelligence》：Whole-slide deep-learning quantification of fibrosis and pathologist-defined proliferative/neoplastic regions in a thioacetamide-induced rat liver model
编辑推荐：
全切片图像的自动化分析可为实验性肝脏病理学中选定病变的客观量化提供支持。研究人员利用暴露于硫代乙酰胺（TAA）大鼠的苏木精-伊红（H&E）染色全切片图像，开发了一种用于全切片分割与量化的深度学习框架，针对两个预设目标：纤维化以及单一合并类别的病理学家界
全切片图像的自动化分析可为实验性肝脏病理学中选定病变的客观量化提供支持。研究人员利用暴露于硫代乙酰胺（TAA）大鼠的苏木精-伊红（H&E）染色全切片图像，开发了一种用于全切片分割与量化的深度学习框架，针对两个预设目标：纤维化以及单一合并类别的病理学家界定增殖/肿瘤区域。良性增殖、异型增生/癌前病变及恶性肿瘤未作为独立亚类进行标注或训练。现有项目档案中不包含可审计的全切片或动物水平训练/验证清单；现有训练代码实现了图块级随机划分。该框架为每张全切片图像生成了纤维化比例、增殖/肿瘤区域比例以及空间分离阳性区域计数。这些模型衍生的测量指标被用于描述实验时间点间的变化，并探讨TAA组与TAA+H2组之间的差异。TAA+H2组在两类选定病变中表现出较低的模型衍生负担。该框架未评估TAA相关肝脏病理的完整谱系，不应被解释为经独立验证的诊断分类器。在提出诊断或治疗主张之前，需进行独立的动物水平验证。
论文解读
一、研究背景与问题
科学诚信是生物医学研究的根本，图像操纵可能损害文献的可靠性和公众对研究的信任。尽管图像处理软件具有合法的分析用途，但也可能被滥用以篡改科学图像。在病理学研究中，传统上结果常以特定放大倍数的代表性小视野呈现，而非器官或肿瘤组织的全切片图像，这种呈现方式可能导致选择性展示感兴趣区域、忽略无病变区域甚至从同一标本不同部位截取代表性图像等学术不端行为。提高病理发现的可追溯性和全切片可视化能力的方法，有助于读者评估代表性视野与完整组织切片之间的关系。人工智能辅助图像分析为此提供了可能途径。
肝脏病变反映器官功能与代谢的变化，可由外部刺激或局部疾病引起。动物模型中多数肝脏病变源于炎症性疾病、代谢性疾病和增殖性疾病。既往研究已证实硫代乙酰胺（TAA）诱导的肝内胆管上皮异常增殖可导致肿瘤形成，并在阿司匹林、草药及富氢水干预中观察到阳性结果。在富氢水干预实验中，已有算法模型清晰指示了肝纤维化的位置和范围，可视化两种治疗方案间的差异，并提供客观定量指标。然而，纤维化与增殖/肿瘤病变的客观区分及全切片量化仍未完全解决。
二、研究内容与结论
本研究旨在开发一种针对TAA诱导大鼠肝模型中两个选定组织病理学靶标的全切片图像分析框架：纤维化和病理学家界定的合并增殖/肿瘤区域类别。该框架利用原始切片坐标重建图块级预测结果，基于区域和连通区域生成测量指标。研究未评估TAA相关的其他病变，未将良性、癌前和恶性病变区分为独立类别，也非旨在建立诊断准确性或治疗效果。研究得出以下主要结论：该框架生成了纤维化比例、增殖/肿瘤区域比例及空间分离阳性区域计数等全切片测量指标；TAA+H2组在选定病变类别中表现出较低的模型衍生负担；该框架不评估TAA相关肝脏病理的完整谱系，不应被解释为经独立验证的诊断分类器，需进行独立的动物水平验证后方可提出诊断或治疗主张。
三、主要技术方法
研究使用了56张H&E染色大鼠肝脏全切片图像（WSI），包括23张TAA切片、22张TAA+H2切片和11张正常肝脏切片。病理标注由三名对实验分组设盲的病理学家在ASAP软件中完成，提供纤维化和合并增殖/肿瘤类别两种参考掩膜。研究采用三种主要技术方法：其一，组织区域检测，通过K-means聚类获取初始感兴趣区域，经凸包处理和孔洞填充生成组织掩膜，该掩膜定义下游面积测量的分母；其二，纤维化识别，采用U-Net架构进行端到端纤维化分割，优先采样含纤维化的图块以改善阳性类别代表性，保留原始坐标用于全切片重建；其三，肿瘤识别，采用神经条件随机场（NCRF）框架对合并增殖/肿瘤靶标进行基于图块的分割，该框架编码空间有序图块并建模相邻图块间关系，通过条件随机场组件正则化相邻预测，减少孤立阳性区域，产生空间更连贯的病变区域掩膜。推断阶段将图块级概率返回原始坐标并组合，计算区域比例和连通区域计数。
四、研究结果
TAA病变肝脏。 TAA病变按病变周期分为8、12、16和20周组。模型衍生测量显示，TAA病变中肝纤维化平均比例分别为2.05±0.11、7.29±5.80、29.2±11.54和31.44±8.03；合并增殖/肿瘤区域掩膜平均比例分别为0±0、0.01±0.02、1.83±1.21和3.93±2.09；平均阳性区域计数分别为0±0、0.25±0.43、5.25±2.68和4±2.05。这些测量值随检查时间点增加，但不区分良性、癌前和恶性亚类。
TAA+H2病变肝脏。 TAA+H2病变同样分为8、12、16和20周组。肝纤维化平均比例分别为2.35±0.88、2.29±0.67、20.07±16.51和14.75±16.14；合并增殖/肿瘤区域掩膜平均比例分别为0±0、0±0、0.89±0.95和2.44±4.04；平均阳性区域计数分别为0±0、0±0、0.75±0.83和1.36±2.14。这些数值是合并标注类别的模型衍生测量结果，而非肿瘤特异性诊断结果。
TAA与TAA+H2病变肝脏比较。 为验证H2对TAA病变肝脏的作用，研究人员比较了两组的纤维化比例、合并增殖/肿瘤区域比例和阳性区域计数。结果显示TAA+H2组的肝纤维化显著低于TAA组。在检查的时间点中，TAA+H2组总体上表现出较低的模型衍生值，但幅度和变异性因时间点和结局而异。这些探索性切片水平比较描述了两种选定标注类别中与治疗相关的组织学差异，不确立治疗效果，需在独立动物水平设计中确认。
五、讨论与结论
讨论部分指出，本研究证明了使用深度学习工作流跨大鼠肝脏全切片图像重建和量化两个选定病理学家定义靶标的可行性。模型分割纤维化和合并增殖/肿瘤病变区域类别，并从重建掩膜中导出面积比例和连通区域计数。组织边界检测仅用于定义分析掩膜，肝脏边缘形态不在评估终点范围内。模型掩膜与合并参考标注之间的对应关系不应被描述为独立建立的诊断准确性。肿瘤输出值应被解释为病理学家定义的增殖或肿瘤区域的分割结果，而非经独立验证的诊断分类系统。
研究存在多项局限性：参考标准基于H&E形态学，无胶原特异性染色或免疫组化确认；增殖/肿瘤靶标为合并类别，未区分良性增殖、癌前病变和恶性肿瘤；提供文件未记录混合病变的可验证规则，也未确认非纤维化炎症区域在训练中是否作为阴性/背景像素；档案未识别文中描述的11张正常切片，且无经核实的动物-切片关联表；可用训练代码采用图块级随机划分，未找到全切片或动物水平划分清单，先前所述的全切片水平42/14划分无法核实，历史验证可能受图块、切片或动物相关性影响；无独立动物水平测试队列或预设诊断性能和病理学家-模型一致性分析。
研究结论：本研究开发了基于全切片的深度学习框架，用于量化TAA诱导大鼠肝模型中的纤维化和单一合并类别的病理学家界定增殖/肿瘤区域。该框架生成了全切片面积比例和连通阳性区域计数，用于TAA与TAA+H2切片的探索性比较。该模型不评估TAA相关病理的完整谱系，不区分良性、癌前或恶性增殖病变，也不提供经独立验证的诊断或治疗结论。
