《Diagnostics》:Grading of Castleman Disease Histopathology with an Attention-Based Multiple Instance Learning Model
编辑推荐:
背景/目的:Castleman病(Castleman disease, CD)是一种罕见的细胞因子驱动淋巴增殖性疾病,淋巴结组织病理学提供关键诊断信息。形态学特征采用半定量分级,常显示显著的观察者间变异性。方法:研究人员开发了一种自动化方法,利用基于注意力的多
背景/目的:Castleman病(Castleman disease, CD)是一种罕见的细胞因子驱动淋巴增殖性疾病,淋巴结组织病理学提供关键诊断信息。形态学特征采用半定量分级,常显示显著的观察者间变异性。方法:研究人员开发了一种自动化方法,利用基于注意力的多实例学习(multiple instance learning, MIL)模型对苏木精-伊红(hematoxylin and eosin, H&E)全切片图像(whole slide images, WSIs)上的六项CD相关组织学特征进行分级,该模型构建于大型病理基础模型编码器之上。多机构队列包含544张淋巴结WSIs,其中397张来自CD或CD样组织学病例,147张来自无CD嫌疑病例(这些病例确定类别非模型预测目标)。研究人员由血液病理学家对退化生发中心、滤泡树突状细胞(follicular dendritic cell, FDC)显著度、血管增多、增生性生发中心、浆细胞增多及滤泡孪生按0–3级 ordinal 分级。模型在142张WSIs的留出评估集上评价。结果:六项特征准确率0.52–0.68(均0.60)。分歧主要为轻微级差:96%预测与参考级差≤1。特征特异性图块贡献热图与浆细胞丰富区、血管丰富区及滤泡区有定性空间对应,但未作为定量定位图或因果解释评价。初步阅片者研究中,血液病理学家与参考一致性差异大(Krippendorff’s alpha 0.20–0.95,均0.50),模型居中(0.56)。结论:结果支持对CD相关组织学特征自动分级用于研究标准化的可行性。模型不分类CD,其作为诊断或临床试验工作流输入的潜在用途需在单独设计的、含裁定诊断标签与整合临床数据的研究中评估。
研究背景与问题提出
Castleman病(Castleman disease, CD)是一组少见的细胞因子驱动淋巴增殖性疾病,以特征性淋巴结形态改变为核心,其年发病率在单中心CD(unicentric CD, UCD)约为每百万人数十例,特发性多中心CD(idiopathic multicentric CD, iMCD)为个位数。iMCD诊断强制要求兼容淋巴结组织学,并依赖五项半定量形态学特征(退化生发中心、滤泡树突状细胞(follicular dendritic cell, FDC)显著度、血管增多、增生性生发中心、浆细胞增多),外加观察性特征滤泡孪生。由于特征在空间上异质、连续分布且阈值主观,观察者间变异性显著,限制其作为可重复研究终点。临床层面,iMCD一线疗法为IL-6导向治疗(如siltuximab),真实世界该疗法未充分利用,部分源于识别与亚型确认障碍。数字化病理与弱监督学习为客观量化提供路径,但既往计算病理多聚焦肿瘤检测/分型,罕见非肿瘤性淋巴结疾病且输出为有序等级的研究匮乏。本文发表于《Diagnostics》,旨在报告一种基于注意力多实例学习(attention-based multiple instance learning, MIL)框架,依托大规模病理基础模型Virchow2编码,对H&E全切片图像(whole slide images, WSIs)六项CD相关特征自动分级的研究。
主要技术方法概述
研究人员回顾性纳入1990–2025年来自ARUP、Duke、UT Southwestern、UCSF、Stanford五机构544张淋巴结H&E WSI(397张CD/CD样,147张非CD嫌疑),统一用Pramana HT4扫描仪0.25 μm/像素数字化。两名CD专长血液病理学家按0–3级对六项特征独立评分并共识裁定为参考标准;142张作留出评估。低倍组织分割、HSV滤背景、固定尺寸切图,Virchow2(无微调冻结编码器)提取图块嵌入,注意力MIL聚合成每片六项连续分数(?0.5至3.5),取整比参考。七名阅片者盲法重评计算Krippendorff’s alpha。热图为图块带符号贡献归一化空间叠加,仅作定性检视。
研究结果
3.1 六项有序等级在完全标注留出集:Virchow2嵌入经注意力MIL输出每片六项等级,142片共852项特征级预测待评。
3.2 参考分级显示特征不平衡与人类变异性:参考分布不均,如增生性生发中心与滤泡孪生0级占约60%,退化生发中心3级占42.3%。阅片者研究成对alpha 0.203–0.952,模型与参考alpha 0.560居人间区间,说明模型一致性与专家共识参考相当而非绝对真理。
3.3 模型展示强有序一致性、以级差1错误为主:96.2%预测与参考级差≤1,仅3.8%差≥2;浆细胞增多(1/142)与FDC显著度(2/142)大错最少,滤泡孪生(12/142)与退化生发中心(10/142)大错较多。
3.4 特征特异性错误揭示可预测模式:血管增多倾向低分端过判(参考0级18例中仅1预测0,15转1);滤泡孪生0级识别佳(86中78)但3级仅1/18命中;增生性生发中心压缩至中档,无参考3级命中。错误结构化、邻级偏移,与不平衡及极端级样本少有关。
3.5 图块贡献叠加显示与形态空间定性对应:选定示例中权重红蓝分布对应血管丰富/浆细胞丰富滤泡间区及含相关架构的滤泡区,但非定量定位验证或因果解释。
讨论与结论翻译
讨论指出,注意力MIL可从常规H&E WSI自动分级六项CD特征并定性可视化权重;模型与参考有序一致性强、邻级错为主,但单扫描仪设计不排除片/点/染/扫效应。人类变异性大(alpha 0.20–0.95),模型0.56在此区间内,参考本身受半定量连续异质形态阈值化局限。临床中iMCD组织学为必需要件但非独立诊断,须整合淋巴结分布、临床实验、HHV8及排摹;siltuximab试验34%对0%安慰剂应答凸显漏诊代价,真实世界IL-6疗法欠用反映共识落地难。CD对计算病理是压力测试:信号跨区、比例可变、有序输出。Virchow2迁移弥补罕见病数据少,未来需不平衡感知训练、显式有序目标、编码器对比(UNI/CONCH)、前瞻多扫描仪验证及病理医确认工作流。热图为假设生成非因果。局限含单扫描仪、染制未前瞻 harmonized、队列中等、参考共识固有不确定、不诊断CD/不分型/不排摹。
结论原文浓缩:基于注意力MIL结合大型病理基础模型可对常规H&E切片CD相关组织学特征生成可重复有序分级及定性权重可视化,支撑多中心研究标准化与未来诊断工作流可重复输入;当前模型非独立诊断系统,未来工作强调前瞻验证、编码器比较、不确定性校准及联合裁定临床实验影像辅助数据评估是否改善临床病理评估。