基于深度学习的骨骼肌活检客观形态测量学评估流程MyoPath

《Journal of Pathology Informatics》:MyoPath: A deep learning pipeline for objective morphometric assessment of skeletal muscle biopsies

【字体: 大 中 小 】 时间:2026年10月09日 来源:Journal of Pathology Informatics CS8.8

编辑推荐:

  研究人员开发了MyoPath,这是一个用于常规苏木精-伊红(H&E)染色图像中四种组织区室定量分析的深度学习流程,无需对Cellpose-SAM模型进行任务特异性训练。七个病理学指标总结了37项形态测量学特征,其中核中心化指数(NCI)和纤维面积变异系

  
研究人员开发了MyoPath,这是一个用于常规苏木精-伊红(H&E)染色图像中四种组织区室定量分析的深度学习流程,无需对Cellpose-SAM模型进行任务特异性训练。七个病理学指标总结了37项形态测量学特征,其中核中心化指数(NCI)和纤维面积变异系数(fiber CV)在两个队列中展现出最一致的区分能力。一个固定的基于基因型-组织表达计划(GTEx)训练的复合模型,在无需重新训练的情况下转移至华山肌肉(HuashanMuscle)队列,其受试者工作特征曲线下面积(AUC)为0.873(95%置信区间CI 0.78–0.94)。绝对评分需要进行校准,并与独立的临床严重程度指标进行比较。

论文解读文章

研究背景与目的

骨骼肌活检是诊断神经肌肉疾病和监测治疗效果的关键手段。然而,对苏木精-伊红(H&E)染色切片的传统病理学评估依赖于“轻度纤维大小变异”、“偶见中心核”等定性描述,这种主观判断在不同观察者和机构间难以标准化。目前国际上尚缺乏针对H&E染色的骨骼肌病理学的公认量化分级系统。定量测量对于患者间的比较和治疗反应评估至关重要,尽管已有SMASH、MyoVision等自动化工具用于肌纤维测量,但它们通常未能在同一张切片中同时量化脂肪浸润、纤维化和核分布等多个组织区室。因此,本研究旨在开发一种名为MyoPath的深度学习流程,将常规H&E切片中熟悉的病理学特征转化为可量化的指标,并评估其在两个独立队列中的鉴别能力和跨队列迁移性。

研究方法概述

研究人员采用了回顾性、横断面的形态测量学研究设计,分析了来自两个独立队列的H&E染色骨骼肌切片。技术方法上,MyoPath流程在QuPath平台中实现,集成了Cellpose-SAM模型用于肌纤维实例分割,结合传统的像素分类器识别脂肪组织,并通过分水岭算法检测细胞核,最后通过减法运算获得残余结缔组织区室。研究使用了来自复旦大学附属华山医院的华山肌肉(HuashanMuscle)队列(包括79例经基因确诊的肌病患者和活检正常对照)以及来自基因型-组织表达计划(GTEx)的尸检后队列(包含健康、一般疾病和消耗性疾病供体)。所有处理均在单个1500×1500微米的感兴趣区域(ROI)内完成,每个ROI的处理时间约为5分钟。

研究结果

分割性能验证: 在由两名病理学家标注的30个ROI上,MyoPath对肌纤维、脂肪、细胞核和结缔组织的Dice系数分别为0.92、0.95、0.87和0.88。自动化的脂肪和纤维化测量值与病理学家评估高度相关(斯皮尔曼相关系数rho分别为0.989和0.946)。
37项特征的区分性能: 在HuashanMuscle队列中,15项特征在对照组和肌病组间存在显著差异,其中核定位和细胞核数量相关的指标排名最高(如中心核比率AUC达0.91)。在GTEx队列中,纤维大小和核定位特征更为突出,NCI和fiber CV的AUC均为0.74。
七项病理学指标的比较: 在HuashanMuscle队列中,肌病组的NCI(中位数0.077 vs 0.049)和fiber CV(0.522 vs 0.369)均显著高于对照组,AUC分别为0.85和0.79。在GTEx队列中,NCI和fiber CV在三个健康状态分层中显示出有序趋势,消耗性疾病组的值最高。NCI和fiber CV是唯一在两个队列中AUC均超过0.70的指标。
探索性临床关联: 在强直性肌营养不良1型(DM1)亚组中,NCI与CTG重复次数呈正相关(rho=0.46),fiber CV与握力呈负相关(rho=-0.61),但这些关联在多重比较校正后均不显著。在肢带型肌营养不良(LGMD)患者中,携带两个功能丧失型突变的患者fiber CV中位数(0.65)高于其他突变组合。
MyoPath评分的跨队列迁移: 基于GTEx健康与消耗性疾病供体训练的七指标复合模型,其训练AUC为0.788(留一法交叉验证AUC为0.735)。将该固定模型直接应用于HuashanMuscle队列,无需重新训练,即获得了0.873的AUC(95% CI 0.78–0.94),表明其区分能力成功实现了跨队列迁移。不过,模型的绝对概率值在两个队列间并不匹配,需要进行校准。

讨论与结论

讨论部分指出,NCI和fiber CV在临床冰冻切片和尸检福尔马林固定石蜡包埋(FFPE)材料中均表现出最一致的区分能力,而脂肪浸润和纤维化的鉴别价值在不同队列间差异较大,这可能与它们的不均匀分布以及采样方式有关。复合模型的成功迁移支持其作为形态测量差异的汇总指标,但不意味着相同的分数代表相同的临床严重程度。研究强调了几个局限性:GTEx的健康状态标签是代理变量,与死亡情况紧密相关;分割准确性仅在冰冻切片上评估;ROI由单人在非盲态下选取;临床相关性分析和突变亚组样本量较小。最终结论是,MyoPath能够在常规H&E切片上量化肌纤维及其组织背景,NCI和fiber CV在两个队列中均保持了鉴别价值,且固定的复合模型可以成功迁移到临床活检样本中。
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