前列腺活检分级不再只给等级:69个命名稀疏特征让腺体形态可读、可删、可验证
核心概要
前列腺活检的Gleason分级通常只输出等级,不给出支撑等级的腺体结构。该工作在病理基础模型UNI2-h的token上训练稀疏自编码器,用多读者标注把2048个稀疏特征中的69个命名为筛状腺体、索状结构、粉刺样坏死等形态,同一套编码既送入分级网络预测Gleason模式和分级组,也直接读出形态图。在外部活检上,未重新训练的筛状腺体检测AUROC为0.849;在未见过的组织芯片上,模式5检测对六位病理学家的AUROC为0.846至0.919;删除某一模式的命名特征后,对应模式预测减少49%至98%。
深度剖析
分级系统输出的不再只是一个等级,而是与等级同源的腺体形态证据:同一套稀疏编码既供分级网络计算Gleason模式和分级组,也直接给出六类形态图。 此前的深度学习分级系统在外部验证上可达到病理学家水平的一致性,但依赖难以解释的学习计算;概念瓶颈模型则让预测只经由预设概念产生。 在PANDA-Radboud测试集上,分级网络的宏Dice为0.730,单稀疏U-Net为0.728,直接读取UNI2-h token的嵌入U-Net为0.742,配对差为−0.014。
形态图不需要额外训练的分割网络,而是把某一形态对应特征集的激活按固定统计量缩放后逐token求和。 命名特征集来自在812个GleasonXAI组织芯片核心上、以三位读者标注为目标的门控线性层对齐,门值超过0.5的特征归入该类。 在GleasonXAI上,每张图取自未见过该核心读者小组的对齐,token级AUROC为索状0.949、实性团0.943、形态良好腺体0.921、筛状腺体0.899, poorly formed and fused glands为0.759,粉刺样坏死为0.719。
命名特征对分级的贡献可以直接测量:在特征进入分级网络前把某一模式的命名特征置零,其余特征和网络参数不变。 作为对照,每个模式另抽20组大小相同、激活频率匹配的未命名特征,以同样方式删除。 在PANDA-Radboud测试切片上,删除模式3、4、5的命名特征分别使对应模式判定减少97.6%、48.7%和89.9%;100张测试切片上随机组的变动范围分别为−9.5%至+11.1%、−8.3%至+11.9%、−14.9%至+31.1%,每次命名删除在21次删除中排第一。
启示与展望
演示范围是五个公开H&E前列腺数据集:PANDA-Radboud用于预训练与分级网络训练选择,GleasonXAI用于对齐,Gleason2019、SICAPv2和PAR仅用于评估,覆盖穿刺活检、组织芯片、图像块和三种扫描仪。读者对象是计算病理与医学影像研究者;系统在外部队列上使用未在该队列调整的参数。
九类标注形态中有三类因两位读者共同标注的token最多只有1362个而未获得特征集,粉刺样坏死仅5个特征、是跨运行最不稳定的图;实性团与粉刺样坏死集与索状集大量重叠,反映读者勾画中的共现。分级一致性在Hamamatsu扫描仪上下降,但编码在该扫描上仍保持稀疏度与重建误差,嵌入U-Net受影响的比较更多。评估基于单一编码器和回顾性公开数据,其他编码器与前瞻性使用尚待检验。
