从深度学习和基础AI模型中提取的数字病理学特征的可复制性在连续的组织幻灯片上
Jagadheshwar Balan1, Nicholas B Larson2
1Quantitative Health Sciences, Mayo Clinic, Rochester, Minnesota, USA.
Scientific reports
|December 6, 2025
概括
使用深度学习模型从序列组织幻灯片中提取的特征显示出高可重现性. 这一发现对于可靠的数字病理学分析和从H&E幻灯片的医学推断至关重要.
科学领域:
- 数字病理学数字病理学
- 计算病理学计算病理学
- 机器学习在组织病理学中的应用.
背景情况:
- 深度学习 (DL) 和基础模型 (FMs) 在数字病理学中越来越多地用于从H&E幻灯片中提取特征.
- 这些功能支持自动分类,幻灯片搜索和医学推断.
- 组织截面的变化可能会影响特征的可重复性,这是一个基本上尚未探索的领域.
研究的目的:
- 通过使用DL和FM来评估从连续组织截面中提取的特征的可复制性.
- 量化断面之间的物理距离对特征可重现性的影响.
主要方法:
- 从50个正常的前列腺组织样本中分析了三个连续的截面.
- 使用DL模型提取了细胞类型特定的计数,比例和空间特征.
- 从FM中使用最大平均差异 (MMD) 和瓦瑟斯坦距离评估特征嵌入.
- 使用类内相关系数 (ICC) 评估可重现性.
主要成果:
- 对于DL衍生的细胞类型比例 (中位数ICC:0.838) 和空间特征 (中位数ICC:0.873) 的高复制性.
- 来自FM的特征嵌入显示出高度一致 (MMD中位数:0.06,Wasserstein中位数距离:0.021).
- 与相距的相比,相邻的部分之间的可复制性更高,证实了与距离相关的变异性.
结论:
- 从连续的H&E幻灯片截面中提取的特征显示出高可重现性.
- DL和FM为数字病理学提供可靠的特征提取.
- 研究结果支持使用这些模型进行可靠的自动化分析,同时承认截面距离是变化因素.
