基于人工智能的隐匿性颈部淋巴结转移分割:减少细胞角蛋白染色的潜在应用

《Histopathology》:AI-based segmentation of occult cervical lymph node metastases: potential reduction of cytokeratin staining

【字体: 大 中 小 】 时间:2026年08月28日 来源:Histopathology 3.8

编辑推荐:

  中文翻译摘要: **背景**:隐匿性颈部淋巴结转移的检测对于口腔鳞状细胞癌(oral cavity squamous cell carcinoma, OSCC)的准确分期和治疗计划至关重要。作为标准治疗的一部分,选择性颈清扫术通常与原发性肿瘤切除术同时进行。

  
中文翻译摘要:

**背景**:隐匿性颈部淋巴结转移的检测对于口腔鳞状细胞癌(oral cavity squamous cell carcinoma, OSCC)的准确分期和治疗计划至关重要。作为标准治疗的一部分,选择性颈清扫术通常与原发性肿瘤切除术同时进行。虽然苏木精-伊红(haematoxylin and eosin, H&E)染色常规用于组织病理学评估,但小或形态不明确的转移灶通常需要细胞角蛋白(cytokeratin, CK)免疫组织化学进行确认。尽管CK染色提高了灵敏度,但增加了诊断成本和实验室工作量。深度学习的进展为直接从常规H&E切片中增强肿瘤检测提供了潜力,特别是在隐匿性和微小转移性疾病的背景下。

**方法**:研究人员开发了一个两阶段深度学习框架用于肿瘤分割,使用了一个包含原发性OSCC病例和颈部淋巴结标本的自定义专家标注数据集。该模型首先在原发性肿瘤形态学上进行预训练,随后在淋巴结转移灶上进行微调,以提高对小且形态微妙的肿瘤沉积物的检测能力。所有分割掩膜均由资深病理学家生成,并在临床指示时结合CK确认来指导标注。应用标准化的预处理流程以保留形态学保真度,同时确保模型输入的一致性。在保留的测试队列上使用像素级分割指标评估性能,并进行额外的病例级分析以评估不同病理难度下的表现。对于有可用免疫组化数据的病例,进行了AI预测与CK染色的定性比较。

**结果**:在预训练阶段,模型的精确率和召回率分别为0.8484和0.8682。在淋巴结转移灶微调后,性能提升至精确率0.8778和召回率0.8607。模型表现出较高的整体准确率(0.9193)和特异度(0.9458),表明其能够稳健地区分肿瘤和非肿瘤区域。病例级分析显示出显著变异性,较难病例的Dice评分较低,凸显了准确描绘隐匿性和微转移性疾病的挑战性。在有可用CK染色的病例中,AI预测的肿瘤区域与CK阳性区域表现出显著的空间对应性,支持该模型仅使用H&E染色即可定位微小转移灶的能力。

**结论**:基于AI的H&E切片分割能够准确定位颈部淋巴结中的转移沉积物,并展示出对细微和隐匿性肿瘤区域的检测能力。通过近似于由CK指导的专家标注,此类系统可能在选定病例中减少对免疫组织化学的依赖,并支持更高效、可扩展的组织病理学工作流程。
论文解读:

**研究背景与问题**
口腔鳞状细胞癌(oral cavity squamous cell carcinoma, OSCC)是头颈部常见的恶性肿瘤,其淋巴结转移状态是决定分期、治疗方案和预后的关键因素。隐匿性淋巴结转移(occult lymph node metastasis)或微转移灶(micrometastasis)的存在可能显著改变治疗决策和生存结局。在标准治疗中,患者通常接受选择性颈清扫术(elective neck dissection)以清除可能受累的淋巴结,术后对清扫标本的精确病理评估至关重要。目前,常规病理评估主要依赖苏木精-伊红(haematoxylin and eosin, H&E)染色,但部分微小或形态不典型的转移灶在H&E切片上难以识别,常需借助细胞角蛋白(cytokeratin, CK)免疫组织化学进行确认。尽管CK染色可提高检测灵敏度,但其增加了实验室成本、处理时间和资源消耗,通常仅用于H&E检查怀疑但未能明确诊断的病例。近年来,深度学习在数字病理学领域展现出巨大潜力,特别是基于卷积神经网络(convolutional neural networks, CNNs)的U-Net架构及其注意力增强变体在多种组织的肿瘤分割中取得了高性能。然而,现有研究多聚焦于原发肿瘤检测或切片级分类,针对淋巴结隐匿性转移的像素级识别研究较少,且公开数据集中缺乏带像素级分割掩膜的淋巴结转移标注。因此,开发一种能够直接从H&E切片中精准定位隐匿性转移灶的自动化方法,有望减少对额外免疫组化染色的依赖,提高诊断效率和一致性。

**研究目的与开展原因**
本研究旨在开发并评估一个两阶段深度学习框架,用于OSCC原发肿瘤及颈部淋巴结转移的像素级分割,特别聚焦于隐匿性和微转移性疾病的检测。研究人员利用自定义专家标注数据集,结合预训练和微调策略,探索AI模型能否仅凭H&E形态学可靠识别微小转移灶,并评估其与CK染色的对应关系,以探讨在选定场景中减少CK染色依赖的可能性。

**主要技术方法**
研究采用了基于注意力机制的U-Net架构(Attention U-Net)。数据集包含两个队列:预训练队列包括550例H&E染色的OSCC原发肿瘤病例;微调队列包括164例H&E染色的颈部淋巴结标本(均经组织学确认含转移灶),其中111例(68%)为隐匿性或微转移性疾病,53例(32%)为大转移灶。所有分割掩膜由一名具有30余年肿瘤病理经验的资深病理学家(S.A.)手动标注,其中57例(51%)的隐匿性病例通过CK免疫组化辅助确认肿瘤边界。研究采用两阶段训练策略:第一阶段在原发肿瘤队列上预训练,学习通用肿瘤特征;第二阶段使用预训练权重在淋巴结队列上微调,以适应淋巴结微环境。标准化预处理流程包括裁剪或填充至1600×1600像素,再缩放至256×256像素,并应用数据增强(水平/垂直翻转、随机90度旋转)和强度归一化。损失函数为二值交叉熵(binary cross-entropy, BCE)与Dice损失的组合,优化器为Adam,使用ReduceLROnPlateau调度器(预训练)和余弦学习率调度器(微调)。所有模型在PyTorch中实现,在NVIDIA Tesla T4 GPU上训练。评估采用像素级指标(Dice、IoU、精确率、召回率、特异度、准确率),并进行病例级分层分析(易/难病例)及与CK染色的定性比较。

**研究结果**
**分割示例**:定性分析显示模型在多种组织背景和肿瘤表现下均能准确勾勒转移灶边界,与专家标注高度吻合,仅在某些边缘和孤立小区域存在轻微偏差,整体FP激活有限。

**定量性能**:在保留的淋巴结测试集上,模型达到IoU 0.7686,Dice系数0.8691,精确率0.8778,召回率0.8607,特异度0.9458,整体像素准确率0.9193。预训练阶段精确率和召回率分别为0.8484和0.8682,微调后精确率提升至0.8778,召回率略降至0.8607。病例级分析显示,易病例(n=15)的平均Dice为0.8397±0.1502(95% CI: 0.7565–0.9228),难病例(n=10)为0.7226±0.1832(95% CI: 0.5915–0.8536),差异具有统计学意义(Mann–Whitney U检验,p=0.028)。平均召回率在易病例为0.8256±0.2186,难病例为0.7042±0.2548,但差异不显著(p=0.157),表明检测灵敏度在不同难度间保持稳定,但边界勾勒精度在复杂病例中下降。

**AI与CK对比**:在有可用CK染色的病例中,AI预测的肿瘤区域与CK阳性区域表现出显著的空间对应性,包括临床指示需免疫组化确认的病例。这表明模型能够仅基于H&E形态学识别微小转移灶,与CK染色结果高度一致。

**讨论与结论**
研究表明,两阶段深度学习框架能够从常规H&E切片中实现精准的像素级肿瘤分割,成功应用于原发OSCC和颈部淋巴结转移。微调后性能提升证实了迁移学习在数据有限但形态相关任务中的价值。病例级性能差异提示隐匿性转移灶的分割仍具挑战性,但召回率的稳定性表明模型具备检测肿瘤存在的能力。研究构建的自定义专家标注数据集(含CK辅助标注)填补了公共数据集的空白。定性AI-CK对应性支持AI作为辅助筛查工具的潜力,可能减少选定病例中对CK染色的依赖。但研究存在局限性:单中心数据、单一病理学家标注、中等样本量、回顾性设计、CK比较为定性以及离线评估。未来需多中心前瞻性验证,并整合系统化空间重叠分析以量化AI-CK一致性。总体而言,该研究证实了深度学习在H&E切片上定位淋巴结转移灶的可行性,为AI辅助病理工作流程在OSCC中的发展奠定了基础,有望提高诊断一致性、实验室效率并推动计算增强病理学实践的演进。
相关新闻
生物通微信公众号
微信
新浪微博

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