《Legal Medicine》:Forensic cause-of-death determination of myocardial infarction-related sudden cardiac death in histopathologically similar cases using computational pathology
编辑推荐:
•特别选取了具有高度重叠的心肌组织病理学变化的控制案例,以模拟常规法医尸检实践中遇到的复杂诊断情景。•构建了一个弱监督的UNI-CLAM计算病理学模型,用于区分与心肌梗死后猝死相关的心脏死亡和具有高度重叠的心肌组织病理学改变的死亡,在内部测试、验证以及独立的法医外部队列中均表现出
- •
特别选取了具有高度重叠的心肌组织病理学变化的控制案例,以模拟常规法医尸检实践中遇到的复杂诊断情景。
- •
构建了一个弱监督的UNI-CLAM计算病理学模型,用于区分与心肌梗死后猝死相关的心脏死亡和具有高度重叠的心肌组织病理学改变的死亡,在内部测试、验证以及独立的法医外部队列中均表现出稳健的性能。
- •
无监督的形态学聚类分析量化显示,心肌梗死后猝死与匹配对照组之间的组织病理学斑块的整体比例仅有微小差异,这表明仅依靠任何单一组织病理学模式的普遍存在不足以进行可靠区分。
- •
注意力引导的区域分析识别出两种特定的核心病变组合,这些组合与心肌梗死后猝死相关:心肌断裂与变性同时发生,以及心肌纤维化与炎症浸润和变性心肌细胞紧密相关。
- •
本研究建立了一个基于定量空间模式的法医心脏病理学诊断解释框架,为解决长期以来主观区分心肌梗死后猝死病例的难题提供了客观的辅助工具。
引言
心肌梗死后猝死(MI-SCD)是一个全球性的健康问题,在法医实践中对其的判定仍然具有挑战性[1]。一些因非MI-SCD原因死亡的人可能患有严重的冠状动脉狭窄和心肌损伤[2],而一些MI-SCD病例可能只表现出轻微或非特异性的组织病理学变化[3],有时甚至没有符合传统诊断标准的明确形态学证据。这种重叠性和异质性限制了传统方法的敏感性和特异性[4],[5],这些方法主要依赖于冠状动脉病变的严重程度和心肌损伤的形态学特征。因此[6],[7],最终的判定往往在很大程度上取决于病理学家的总体经验。因此,对MI-SCD的法医评估不仅需要评估个别的病理特征,还需要识别由整体组织结构及多种病理变化共存定义的鉴别性组织病理学模式。这种方法可以为确定死亡原因提供更客观的组织病理学证据。
基于全切片图像(WSIs)的计算病理学能够系统地分析复杂的组织结构,并已越来越多地应用于疾病诊断和法医调查[8],[9],[10],[11],[12],[13],[14],[15]。然而,其在确定MI-SCD方面的应用仍然有限,尤其是在系统识别疾病特异性组织病理学模式方面。
为了解决这一缺口,我们分析了GTEx数据库中的心肌组织WSIs,以识别区分MI-SCD与其他具有类似心肌改变的死亡原因的组织病理学特征。我们首先开发并验证了一个基于注意力的深度学习模型,该模型能够在全切片层面区分MI-SCD和具有相似心肌病理变化的对照组病例。注意力机制还能够识别对模型预测贡献最大的组织区域。然后,我们对这些模型高亮显示的区域应用聚类和空间共定位分析,以表征心肌损伤模式的组成、空间组织和相互关系。这一框架为类似心肌改变病例的法医MI-SCD解释提供了客观的组织病理学证据。
章节片段
样本收集
从GTEx数据库中获取了412张经过H&E染色、石蜡包埋的左心室心肌切片的WSIs,每张切片代表一个独立病例。根据GTEx项目提供的死亡原因注释[16],这些病例被分为MI-SCD组和对照组。MI-SCD组包括症状出现后1小时内因心肌梗死导致猝死的病例(221例,占53.64%)。对照组包括
Leiden聚类能够敏感地解析异质性组织形态
我们首先评估了结合Leiden无监督聚类的图像特征提取方法在WSIs中解析形态异质性的能力。结果形成的簇显示出明显的分离(图2A)。UMAP可视化显示Leiden聚类将所有心肌WSIs的斑块分为15个不同的簇(图2B)。主要组织类型,包括心肌、脂肪和间质组织,都被准确聚类(图2C)。代表性的
讨论
在本研究中,我们证明了计算病理学能够区分具有相似组织病理学发现的MI-SCD与其他原因导致的死亡,并揭示了与MI-SCD相关的心肌损伤特征模式。通过结合注意力引导的解释、无监督聚类和空间共定位分析,所提出的框架实现了稳健的分类性能,并识别出支持模型预测背后的组织微观结构模式。
结论
本研究开发并验证了一个基于全切片心肌图像的深度学习模型,尽管这些图像具有高度相似的组织病理学特征,该模型仍能有效区分MI-SCD和对照组。对模型衍生出的高注意力区域的分析表明,心肌断裂倾向于与变性同时发生,而心肌纤维化则常见于变性和炎症细胞浸润同时存在的情况。这些发现共同表明
作者贡献
史嘉文(Jiawen Shi)负责方法开发、数据分析、论文撰写、审阅和修订;李新杰(Xinjie Li)参与数据整理、审阅和修订;方正(Zhengyi Fang)和丁金凤(Jinfeng Ding)提供技术和物质支持;周旭祥(Xuxiang Zhou)和冯林(Lin Feng)参与数据收集和验证;黄平(Ping Huang)、林汉城(Hancheng Lin)和陈利琴(Liqin Chen)在研究方向和技术方法上提供指导,并对研究设计提出了关键性意见。所有作者都阅读了
伦理声明
GTEx数据库:本研究中使用的所有数据均已去标识化,并公开可用,符合二次分析研究的伦理标准。使用这些公开数据无需获得作者的额外同意。
法医中心组织切片:本研究中使用的43个组织切片均来自复旦大学法医科学中心的档案材料。所有切片都是在常规法医工作中生成和保存的
生成式AI工具的应用
在论文撰写过程中没有使用任何生成式AI工具。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系,这些关系可能会影响本文所报道的工作。
致谢
本工作得到了国家自然科学基金(授权号:82430060、82202076)的支持。
Jiawen Shi|Xinjie Li|Zhengyi Fang|Jinfeng Ding|Xuxiang Zhou|Lin Feng|Liqin Chen|Hancheng Lin|Ping Huang