《Bioengineering》:An Explainable Patch-Based Deep Learning Framework for Marker-Specific Computational Assessment of Ovarian Autophagy in Digital Histopathology
编辑推荐:
英文摘要专业翻译:
自噬对于卵巢生理功能至关重要,并且与多内分泌代谢性卵巢综合征(PMOS)等病理状况密切相关。在组织病理学图像中评估自噬相关标志物通常具有主观性且依赖于观察者。本研究提出了一种可解释的计算病理学框架,该框架整合了基于补丁的深度学习与基于Gr
英文摘要专业翻译:
自噬对于卵巢生理功能至关重要,并且与多内分泌代谢性卵巢综合征(PMOS)等病理状况密切相关。在组织病理学图像中评估自噬相关标志物通常具有主观性且依赖于观察者。本研究提出了一种可解释的计算病理学框架,该框架整合了基于补丁的深度学习与基于Grad-CAM的视觉解释方法,以实现对大鼠卵巢组织中自噬相关免疫组织化学(IHC)染色的客观且可重复的分析。研究人员对来自对照组、PMOS、蜂面包(PERGA)以及PERGA + PMOS组的Beclin-1、LC3和p62染色的大鼠卵巢组织图像进行了基于补丁的深度学习分析。研究训练并评估了多种卷积神经网络架构,包括DenseNet121、EfficientNetV2B0和ConvNeXtTiny,并通过集成策略对其输出进行组合。图像级预测通过对补丁级概率取平均生成,同时使用Grad-CAM可视化影响模型决策的图像区域。基于LC3的集成模型取得了最高的总体图像级分类性能,F1分数为78.28%,AUC为88.15%。相比之下,Beclin-1 DenseNet121模型基于AUC展现出最高的判别性能,达到93.63%。基于p62图像训练的模型分类性能较低,这可能是由于p62表达的异质性染色特征所致。Grad-CAM可视化显示,模型激活主要定位于DAB阳性和含组织信息的区域,从而支持了所提出框架的可解释性。总之,该方法能够实现对自噬相关组织病理学图像的客观、可重复且可解释的分析。研究结果表明,基于补丁的深度学习与可解释人工智能相结合,为评估大鼠卵巢组织中自噬相关改变提供了一种有前景的计算工具。
论文解读:
自噬是细胞内高度保守的降解与回收过程,通过清除受损细胞器、错误折叠蛋白和代谢底物来维持细胞稳态,在卵巢生理及病理过程中发挥关键作用。多内分泌代谢性卵巢综合征(PMOS)是一种影响女性生殖与代谢健康的内分泌代谢紊乱疾病,既往称为多囊卵巢综合征(PCOS)。研究表明,自噬失调与PMOS中的异常排卵、胰岛素抵抗、高雄激素血症及低度炎症密切相关。Beclin-1、LC3和p62是评估自噬过程不同阶段的重要标志物:Beclin-1参与自噬启动阶段;LC3与自噬体膜相关,被视为评估自噬活性的金标准标志物;p62作为选择性自噬适配蛋白,在自噬降解过程中被降解,其累积常提示自噬流受损。然而,传统免疫组织化学(IHC)评估主要依赖病理学家对染色强度的视觉判读,具有耗时、半定量且易受观察者间变异影响等局限。尽管数字图像分析技术已显示出定量评估IHC染色的潜力,但计算病理学仍面临千兆像素级图像处理、标注数据有限、跨机构域偏移和模型可解释性不足等关键挑战。因此,研究者提出了一种结合DAB通道定量分析、基于补丁的深度学习以及基于Grad-CAM的可视化可解释方法的计算框架,旨在更客观、定量且可解释地评估PMOS及蜂面包(PERGA)干预背景下大鼠卵巢组织中的自噬相关改变。
研究人员构建了包含对照组、PMOS、PERGA和PERGA + PMOS四个实验组的大鼠卵巢组织IHC图像数据集,针对Beclin-1、LC3和p62三种自噬标志物共获得659张免疫组织化学图像。经质量控制后,通过基于组织占比和DAB染色强度的可重复质量过滤程序,从高分辨率图像中提取224×224像素的富含组织和DAB阳性信息的补丁,最终获得7908个补丁。图像级数据集以分层方式按70%、15%和15%划分为训练、验证和测试子集,并确保同一原始组织学图像的所有补丁仅归属于单一子集,以避免补丁级数据泄漏。研究采用DAB通道颜色反卷积进行定量染色分析,计算DAB阳性面积百分比、组织区域内平均DAB强度、DAB阳性区域内平均DAB强度及积分光密度等参数,并使用Kruskal-Wallis检验和单向方差分析评估组间差异。在深度学习方法方面,研究人员使用ImageNet预训练的DenseNet121、EfficientNetV2B0和ConvNeXtTiny三种卷积神经网络架构,将原始分类头替换为包含全局平均池化、批归一化、丢弃层、全连接层和softmax分类层的结构。训练采用两阶段策略,先冻结骨干网络仅训练分类层,随后解冻骨干网络末端层进行微调,并应用随机水平/垂直翻转、亮度调整、对比度调整和旋转等数据增强手段,同时使用类别权重缓解类别不平衡。图像级预测通过对同一图像所有补丁的概率向量平均后得到,集成预测则对三种模型的图像级概率向量取平均。模型性能采用准确率、精确率、召回率、F1分数和受试者工作特征曲线下面积(AUC)进行评估。可解释性分析采用梯度加权类激活映射(Grad-CAM),从训练模型的最后一个卷积层和预测类别输出生成热力图,并将热力图调整至输入补丁尺寸后叠加于原始图像,以可视化模型关注的图像区域。
定量DAB分析结果显示,所有评估的自噬标志物和DAB相关测量参数在不同实验组之间均存在统计学显著差异。PMOS组的自噬相关标志物表达模式发生变化,而PERGA处理组呈现相对更平衡的染色特征,其中PERGA + PMOS组的某些DAB相关参数趋于接近对照组模式,提示PERGA可能对自噬相关的卵巢组织改变具有潜在调节作用。在分类性能方面,不同标志物和模型组合表现存在差异。基于LC3的集成模型取得了最佳的图像级综合分类性能,F1分数为78.28%,AUC为88.15%;而Beclin-1 DenseNet121模型以AUC 93.63%取得最高的判别性能,但其F1分数较低(73.44%)。基于p62的模型在所有指标上均表现较差,这可能与p62染色的异质性分布及其在自噬降解中的复杂生物学作用有关。ROC-AUC分析显示,LC3集成模型具有较强的类别间概率判别能力。混淆矩阵分析表明,对照组与其他实验组分离较清晰,而PMOS与PERGA + PMOS组之间存在混叠,提示经PERGA处理后PMOS相关的组织学改变可能保留部分共同形态特征。模型比较显示,集成策略较单一模型具有更稳定的性能。Grad-CAM可视化分析表明,模型激活主要定位于DAB阳性和组织信息丰富区域,而非背景或染色伪影,支持了框架的可解释性。
讨论部分指出,评估指标的选择会影响对模型性能的解释:LC3集成模型在最终类别标签预测上更为均衡,而Beclin-1 DenseNet121在阈值无关的判别能力上更优。p62模型性能较低的主要原因在于非对照组之间的可分离性下降。LC3因其直接参与自噬体形成而产生的局灶化、视觉上独特的染色模式,在本数据集中成为最具判别力的图像分类标志物,但这应被视为与分类相关的图像特征而非自噬活性升高的直接证据。补丁级学习策略通过选择富含组织和DAB信号的区域,降低了背景和伪影的干扰,而将补丁级预测聚合成图像级预测进一步提高了输出稳定性。Grad-CAM分析增强了模型决策的视觉可解释性,但激活模式应被视为模型注意力的证据而非生物学意义的直接确认。PERGA相关的图像衍生差异可能反映治疗相关的标志物染色模式变化,但不能视为保护性生物学效应的直接机制证据。研究结论表明,该框架能够客观、可重复地评估自噬相关组织病理学改变,但未来需要更大规模数据集、外部验证以及补充定量或分子分析,以提升模型性能并增强临床适用性。