队列构建与图像采集
构建多机构、多模态的乳腺病理图像数据集，用于训练和评估深度学习模型。
从UVA和GWU收集108例患者的H&E和TRPV4 IHC全切片图像，病理医生标注上皮区域，并提取299x299像素图块。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
机械敏感性TRPV4免疫组织化学超越H&E形态学，改善基于深度学习的导管原位癌分类
Mechanosensitive TRPV4 immunohistochemistry improves deep learning-based classification of ductal carcinoma in situ beyond H&E morphology
实验完整度
中本研究包含明确实验方法和验证结果，包括多机构回顾性队列、深度学习模型训练与外部验证，并进行功能验证和机制验证，但缺少体外或动物实验等独立证据层级。
主要模型
UVA开发队列（69例） GWU外部测试队列（39例） H&E和TRPV4 IHC全切片图像
重点核对
患者级数据划分：采用患者级三折交叉验证，避免信息泄漏 外部测试队列独立于训练和模型选择 模型集成：平均三个折模型的预测 性能指标：宏观F1和宏观AUC TRPV4 IHC染色平台及抗体信息
摘要
导管原位癌（DCIS）涵盖从非典型导管增生（ADH）到高级别病变的生物学连续谱，其进展为浸润性导管癌（IDC）的风险各异，然而通过苏木精-伊红（H&E）进行的形态学评估在诊断上仍然受限，尤其是在良性病变与ADH/低级别DCIS的边界。TRPV4是一种机械敏感性离子通道，在DCIS中具有病理依赖性的亚细胞定位，提供了一种具有生物学动机的免疫组织化学（IHC）标志物，可能超越常规H&E评估改进分类。我们测试了在TRPV4 IHC上训练的深度学习模型是否优于基于H&E的模型，跨越DCIS进展谱。我们汇集了一个由108名患者组成的多机构队列的H&E和TRPV4 IHC全切片图像，包括一个内部开发队列（n = 69）和一个外部测试队列（n = 39），产生了24,248个注释图块。将注释区域的组织病理学图块分为四个有序类别：正常/良性、ADH/低级别DCIS、高级别DCIS和IDC。在开发队列上使用患者级三折交叉验证训练了Xception和EfficientNet-B0卷积神经网络，并在外部测试队列上以集成方式评估。在外部患者级测试中，H&E集成实现了宏观F1值0.43–0.44和宏观AUC值0.73–0.80，而TRPV4 IHC集成将性能提升至宏观F1值0.68–0.72和宏观AUC值0.91–0.92，对应于患者级宏观F1相对改善54.5–67.4%。患者级逐类分析显示，与H&E相比，TRPV4 IHC在ADH/低级别DCIS（0.94–0.95对0.61–0.70）和IDC（0.77–0.85对0.61–0.69）的AUC增益最大。逐类分析显示，与H&E相比，TRPV4 IHC在ADH/低级别DCIS（AUC，0.83–0.84对0.70–0.81）和IDC（AUC，0.74–0.79对0.65–0.66）的增益最大。这些发现支持TRPV4 IHC作为H&E的机制性补充，改善DCIS进展谱的患者级区分，在ADH/低级别DCIS和IDC中增益最强，在试点多机构环境中。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 本研究旨在测试基于TRPV4免疫组织化学（IHC）训练的深度学习模型是否比基于H&E的模型更有效地对DCIS进展谱进行分类，特别是在良性病变与ADH/低级别DCIS的边界。
- 核心机制
- TRPV4 IHC编码了超越常规形态学的生物学相关信息，可能反映与细胞拥挤诱导的促侵袭性机械转导程序相关的TRPV4定位模式。
- 主要证据
- 在外部测试队列中，TRPV4 IHC集成模型比H&E模型实现了更高的患者级宏观F1和AUC，特别是在ADH/低级别DCIS和IDC类别中。
- 研究意义
- 作者提出TRPV4 IHC作为H&E的生物学补充，可能有助于改善具有挑战性的诊断病例的分类，并为机械敏感性生物标志物在人工智能辅助病理学中的应用提供了概念验证。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
诊断标签与有序分组
将图块标注为四个有序诊断类别，以反映DCIS进展谱。
病理医生审核ROIs并分配标签，通过多数投票确定最终标签，排除不一致的ROIs。
深度学习模型训练
训练基于H&E和TRPV4 IHC图像的CNN模型，用于四分类任务。
使用Xception和EfficientNet-B0骨干网络，在UVA队列上进行患者级三折交叉验证，训练每个模态和骨干网络的模型。
外部测试与集成评估
在独立的GWU队列上评估模型性能，验证跨机构泛化能力。
将UVA训练的模型应用于GWU队列，平均三个折的预测概率形成集成，计算图块级和患者级指标。
错误模式分析
分析模型错误是否主要发生在相邻诊断类别之间，以评估错误的临床严重性。
从图块级混淆矩阵中计算相邻等级错误和非相邻错误的占比。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| TRPV4免疫组织化学染色 | Ventana Discovery Ultra | Roche Tissue Diagnostics/Ventana Medical Systems | -- |
| 抗TRPV4抗体 | Abcam | ab39260 | |
| CC1抗原修复液 | Roche Tissue Diagnostics/Ventana Medical Systems | -- | |
| OmniMap抗兔HRP | Roche Tissue Diagnostics/Ventana Medical Systems | -- | |
| ChromoMap DAB | Roche Tissue Diagnostics/Ventana Medical Systems | -- | |
| 全切片扫描 | 滨松NanoZoomer | Hamamatsu Photonics K.K. | -- |
| 奥林巴斯VS200 | Olympus/Evident Corporation | -- | |
| 深度学习模型训练 | NVIDIA GeForce RTX 4090 GPU | NVIDIA Corporation | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 患者队列 | 患者数量、来源机构、纳入排除标准 阅读提示：Materials and Methods - Study design and patient cohorts |
| 组织处理与染色 | 组织切片厚度、TRPV4抗体浓度、抗原修复条件、检测系统 阅读提示：Materials and Methods - Histologic preparation, TRPV4 IHC, and image acquisition |
| 图像采集 | 扫描仪型号、放大倍数、分辨率 阅读提示：Materials and Methods - Histologic preparation, TRPV4 IHC, and image acquisition |
| 模型训练 | 数据划分方式、批次大小、学习率、优化器、损失函数、数据增强 阅读提示：Materials and Methods - Patient-level cross-validation and data partitioning, Image preprocessing and data augmentation, Network architectures and implementation, Training procedure, optimization, and class imbalance |
| 模型评估 | 外部测试集独立性、评估指标（宏观F1、宏观AUC）、置信区间计算方法 阅读提示：Materials and Methods - Ensemble inference, tile- and patient-level predictions, Evaluation metrics and statistical analysis |