论文标题：Automated Nuclear Morphometry: A Deep Learning Approach for Prognostication in Canine Pulmonary Carcinoma to Enhance Reproducibility

论文链接：https://doi.org/10.3390/vetsci11060278

期刊名：Veterinary Sciences

期刊主页：https://www.mdpi.com/journal/vetsci

前言

本文开发了一种基于深度学习的算法， 算法可自动检测并测量肿瘤细胞核的大小和形状，其准确性与手动形态测量相当，且具有更高的效率与可重复性。在46例犬肺癌病例中，算法评估的核面积标准差对肿瘤特异性生存具有良好预测能力 (AUC = 0.80，HR = 3.38)，明显优于病理学家主观评估，后者一致性较差 (k = 0.204)。传统指标如分裂计数、组织学分级和TNM分期在本队列中预测效果不显著。该算法在提升诊断效率和一致性方面具有潜力，但仍需优化分割性能并在更大样本中验证。来自维也纳兽医大学 Imaine Glahn博士及其团队在Veterinary Sciences 期刊发表了文章，开发了一种基于深度学习的算法，用于评估犬肺癌中的细胞核多形性 (NP)，这是当前分级系统中的重要恶性指标。

基于深度学习的核形态测量算法的开发概述 (A) 及其预后价值的评估 (B)。

研究过程与结果

本研究评估了基于深度学习的自动核形态计量在犬肺癌 (cPC) 预后评估中的表现，并与传统病理评分方法进行比较。三位病理学家对核异质性和核形状不规则的评估一致性较低 (k值分别为0.204和0.272)。算法测得的核面积标准差和实心度标准差与人工评估存在明显差异。三种分割模型在核检测中均表现良好 (Dice系数>0.7661，F1值>0.8397)，但实心度标准差的RMSE较大 (变异范围达51–155%)，显示形状参数的不确定性高于面积参数 (变异范围7.8–46.6%)。大多数参数在三个测试集中与人工标注具有良好线性相关性。样本随访时间1–1961天，中位为257天，其中15例cPC致死病例中位生存期为151天。病理分级以2级为主，临床分期中以1期为最多，部分病例接受辅助化疗。两位病理学家对10高倍视野下的有丝分裂计数一致性差，且预测力有限 (AUC分别为0.474和0.374)。相比之下，基于核面积标准差和实心度标准差的自动和手工核形态测量在250天存活预测中AUC均超过0.75，其中算法实心度标准差预测力最强(AUC = 0.82)。分析多个肿瘤区域未改善预测效果。11位病理学家对核异质性的主观评分表现波动大，敏感性/特异性差异显著，而算法测量优于所有主观估计。其他传统指标如临床分期、病理分级和有丝分裂计数在预后中的敏感性、特异性和精确度均较低 (精确度最高仅50%)。Cox回归分析显示，核形态参数的风险比显著高于传统指标，Kaplan–Meier曲线进一步证实其预后分层能力。因此，自动化核形态分析在cPC预后预测中表现优越，具有较高的稳定性和实用性。

对于算法形态测量 (模型 1，ROI 1) 的不同核大小和形状参数，肿瘤特定生存时间 (截至手术后 250 天) 的Kaplan-Meier曲线。

研究总结

本研究验证了多个假设，并系统探讨了病理学家在评估犬肺癌 (cPC) 中核异质性 (anisokaryosis) 时存在明显的观察者间差异，表明人工评估缺乏一致性。相比之下，深度学习驱动的核形态测量 (nuclear morphometry) 在核大小参数方面表现优异，形状参数如solidity相对较弱，但整体具有良好的预后预测能力，与手动测量和其他传统预后指标 (如组织学分级、分期和核分裂计数) 相当甚至更优。该算法具有高效率，可在几秒钟内分析大量细胞核，适用于数字化病理流程。尽管存在核分割不足 (undersegmentation) 的问题，研究发现三种独立训练的模型在预后能力上具有良好一致性。研究也探讨了二维与三维测量方法，认为二维测量在提供丰富参数的同时更具可行性。尽管样本量较小且随访时间短，但统计结果仍具有意义。建议未来通过多中心合作扩大样本，优化算法，提升其在实际诊断中的可靠性与通用性，为兽医病理学中的人工智能应用奠定基础。

Veterinary Sciences 期刊介绍

主编：Patrick Butaye, Ghent University, Belgium; City University of Hong Kong, China

发表与兽医科学领域相关的原创研究文章、评论、通讯和简短说明，主题包括动物疾病、紊乱和损伤的预防、诊断和治疗。