《Brain Structure and Function》：Autoencoders for unsupervised analysis of rat myeloarchitecture
编辑推荐：
以下是论文摘要的专业翻译：
定量评估脑组织学常受限于预定义的特征集和劳动密集型的人工标注。为克服上述局限，研究人员采用无监督深度学习，在无需预先标注的情况下，自动提取并量化髓鞘染色大鼠脑切片中的组织模式。研究评估了非线性卷积自编码器（Autoencoders,
以下是论文摘要的专业翻译：
定量评估脑组织学常受限于预定义的特征集和劳动密集型的人工标注。为克服上述局限，研究人员采用无监督深度学习，在无需预先标注的情况下，自动提取并量化髓鞘染色大鼠脑切片中的组织模式。研究评估了非线性卷积自编码器（Autoencoders, AEs）与线性主成分分析（Principal Component Analysis, PCA）以及DINOv3（一种未进行任务特定微调的自监督基础模型）在特征表示方面的性能，并随后采用高斯混合模型（Gaussian Mixture Models, GMM）进行聚类。与PCA和DINOv3相比，AEs能更好地保留精细的轴突结构，并在不同层级上产生更一致、更具可解释性的组织聚类。所得聚类揭示了具有解剖学意义的组织构成，包括不同的白质密度和灰质亚区。当应用于假手术组和轻度创伤性脑损伤（mild traumatic brain injury, mTBI）动物的组织时，AE-derived特征亦能捕获与病理相关的改变，如白质丢失和损伤特异性的微结构变化。这些发现表明，针对特定任务的、基于领域特异性组织学数据的无监督训练，能够自动表征多尺度的组织构成并检测病理变化，为计算神经病理学提供了一种可扩展、免标注的方法。
以下是基于论文主体内容的专业解读文章：
论文解读：基于自编码器的无监督分析揭示大鼠脑髓鞘构筑
研究背景与意义
脑组织学分析传统上依赖专家对染色切片的目视检查，以评估组织结构并识别病理模式。尽管全玻片扫描技术已实现组织切片的高分辨率数字化，显著提升了数据量和质量，但也加重了神经病理学家和神经科学家的分析负担。当前定量组织学工作流的主要局限在于依赖视觉形态学评估和人工勾画感兴趣区域，这些方法耗时、主观，难以扩展到全切片或全脑数据集。虽然诸如QuPath、Fiji等开源软件可自动化部分图像分析流程，但这些工具仍以对象为中心，依赖预定义特征、参数调整或人工输入，无法提供脑组织切片的整体表征。监督式深度学习模型虽在计算病理学中取得显著进展，但其应用受限于对标注训练数据和预定组织类别的需求，难以捕捉脑组织结构的细微变化。在此背景下，无监督学习为直接从数据中发现模式提供了无需人工标注的替代方案。尽管无监督深度学习已在非脑组织中有所应用，但尚未系统性地应用于髓鞘染色的脑切片，而其中轴突方向、纤维交叉和细胞分布构成了复杂的微结构模式。本研究旨在探究非线性特征提取技术是否比经典线性方法更具优势，并评估直接在髓鞘染色斑块上训练是否优于经典分解方法和通用视觉表征，以解决复杂髓鞘构筑能否在无人工标注或预定组织类别的情况下被解析和表征的核心问题。
研究内容与结论
研究人员开发了一套计算工作流，用于量化髓鞘化轴突模式在大鼠脑组织切片中的分布。该工作流从强度归一化的髓鞘染色大鼠脑切片中，系统性地提取两个尺度（128×128像素和256×256像素）的非重叠方形组织斑块。随后训练卷积自编码器将每个斑块压缩为256个潜在特征，并与PCA和DINOv3进行降维性能比较。AEs和PCA模型在9个大鼠脑（4个假手术组和5个轻度创伤性脑损伤组；共420个切片）上训练，并在4个独立大鼠脑（2个假手术组和2个mTBI组；共194个切片）上验证。DINOv3作为开箱即用的特征提取器，未进行微调。为自动分离组织模式，研究采用高斯混合模型对提取的特征进行聚类。研究发现，与PCA和DINOv3相比，AEs能更好地保留精细轴突结构，并产生更一致、更具可解释性的组织聚类。所得聚类揭示了具有解剖学意义的组织构成，包括不同的白质密度和灰质亚区。当应用于假手术组和mTBI动物的组织时，AE-derived特征亦能捕获与病理相关的改变，如白质丢失和损伤特异性的微结构变化。
主要技术方法
研究人员采用了以下关键技术方法：其一，使用卷积自编码器（AE）进行非线性特征提取，将组织斑块压缩为256维潜在特征；其二，使用增量主成分分析（Incremental PCA）作为经典线性基线方法，同样提取256个成分；其三，使用DINOv3 ViT-B/16作为预训练的自监督基础模型，作为开箱即用的特征提取器，未进行任何微调；其四，采用高斯混合模型（GMM）对提取的特征进行无监督聚类，通过贝叶斯信息准则（BIC）确定聚类数量；其五，通过均方误差（MSE）和结构相似性指数（SSIM）定量评估重建质量。样本来源为13只成年雄性Sprague-Dawley大鼠（10周龄，300-450g），其中7只经历轻度创伤性脑损伤（mTBI），6只为假手术对照。所有大脑均以冠状面切片（30μm，1-in-5系列），使用金氯化物染色标记髓鞘，并以40倍放大率、226 nm/px分辨率扫描。
研究结果
无监督聚类工作流实现系统性髓鞘组织分类
研究人员开发的计算工作流成功地从髓鞘染色的大鼠脑切片中提取并分类了组织模式。通过在两个尺度上提取非重叠组织斑块，训练卷积AEs进行特征提取，并采用GMM进行聚类，系统性地识别了不同的组织类型。
AEs比PCA更好地保留结构细节，尽管重建误差更高
从特征重建组织斑块的评估显示，AE模型重建比PCA更有效地保留了细薄的轴突结构和组织纹理。尽管PCA在MSE上略优于AE，但在SSIM上AE表现更佳，表明AE更好地保留了结构特征，尤其是在处理捕获更复杂空间模式的较大斑块时。
PCA、DINOv3和AE特征能够识别解剖学上不同的组织聚类
通过GMM对三种方法的特征进行聚类，在3个聚类时，所有方法均揭示了相似的广泛解剖划分：高度髓鞘化区域、灰质区域和低强度区域。在9个聚类时，方法解析出更精细的组织结构，包括白质、海马亚区和皮层分层。在21个聚类时，AE-based特征在皮层实现了更清晰的层分离，而PCA和DINOv3-derived聚类在此区域的分层不够明显。AE特征在聚类间表现出更高的稳定性，并在皮层、海马和杏仁核产生更锐利的解剖边界。
质心和概率图实现组织聚类的解剖学解释
通过生成21聚类图的概率图并识别最接近聚类质心的组织斑块，研究人员发现白质占组织总含量的23.1%，被分为三个聚类，分别捕获密集堆积的髓鞘化轴突、高度髓鞘化的定向轴突以及主要白质束的边界。灰质落入10个聚类，捕获不同密度和方向的髓鞘化轴突。其余聚类捕获切片边界、脑室和染色伪影。研究还观察到聚类结果具有旋转不变性。
聚类识别出白质和髓鞘组织中的病理相关变化
通过分析来自两只假手术对照和两只mTBI动物的切片，研究人员发现一个聚类在假手术对照中占组织约5-6%，在mTBI1中适度升高至8.6%，但在mTBI2中急剧增加至38.8%，强烈表明该聚类专门捕获了与mTBI相关的病理组织。
讨论与结论
本研究提出的无监督工作流能够自动量化髓鞘化轴突形成的空间模式，无需人工标注组织类别或病理特征即可区分组织构成并检测病理变化。研究结果将无监督深度学习在组织学中的应用扩展到了髓鞘染色的脑切片，这是以往研究未系统涉及的领域。与PCA和DINOv3相比，AEs在保留精细轴突结构细节方面表现更优，且聚类结果在解剖学上更连贯，边界更锐利。DINOv3虽能有效捕获大规模结构组织，但在未进行领域特定适应时，难以解析髓鞘密度的细微变化，这反映了其训练数据与髓鞘染色组织纹理之间的差异。当AE特征来自假手术和mTBI动物时，工作流无需先验损伤信息即可识别病理相关特征，表明其能够检测跨脑区的异质性损伤模式。研究存在若干局限性：模型在单一实验批次上训练，仅用4只动物验证，未评估跨染色方案、实验室或实验批次的泛化性；病理相关聚类的生物学意义尚不明确；分析将组织切片视为二维图像，未考虑组织的三维本质。未来研究应确定最小训练集规模，探索更先进的染色归一化方法，整合组织学和分子标记以阐明病理聚类的组成，并扩展到三维组织学分析。研究结论证实，任务特定的非线性无监督方法能够克服传统以对象为中心的组织学工作流的局限，捕获经典指标无法捕捉的髓鞘构筑模式变化，为计算神经病理学中的免标注组织表征建立了框架。
