机械敏感性TRPV4免疫组化染色提升基于深度学习的导管原位癌分类性能，超越H&E形态学评估

导管原位癌（DCIS）涵盖了从非典型导管增生（ADH）到具有不同浸润性导管癌（IDC）进展风险的高级别病变的生物学连续谱，但通过苏木精和伊红（H&E）进行的形态学评估在诊断上仍存在局限，尤其是在良性病变与ADH/低级别DCIS的边界区分上。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，为超越常规H&E评估提供了生物学驱动的免疫组织化学（IHC）标记物。本研究测试了基于TRPV4 IHC训练的深度学习模型是否在整个DCIS进展谱系中优于基于H&E的模型。我们收集了来自108名患者的H&E和TRPV4 IHC全切片图像，构建了一个多机构队列，包括内部开发队列（n = 69）和外部测试队列（n = 39），共获得24,248个标注的图像块。将标注区域的病理切片图像块分为四个有序类别：正常/良性、ADH/低级别DCIS、高级别DCIS和IDC。使用Xception和EfficientNet-B0卷积神经网络，在开发队列上进行患者水平三折交叉验证训练，并在外部测试队列上以集成模型形式进行评估。在外部患者水平测试中，H&E集成模型的宏观F1值为0.43-0.44，宏观AUC值为0.73-0.80；而TRPV4 IHC集成模型的性能提升至宏观F1值0.68-0.72和宏观AUC值0.91-0.92，相当于患者水平宏观F1值相对提升了54.5-67.4%。患者水平的分类分析显示，与H&E相比，TRPV4 IHC在ADH/低级别DCIS（0.94-0.95 对比 0.61-0.70）和IDC（0.77-0.85 对比 0.61-0.69）上获得了最大的AUC增益。分类分析表明，TRPV4 IHC相对于H&E在ADH/低级别DCIS（AUC, 0.83-0.84 对比 0.70-0.81）和IDC（AUC, 0.74-0.79 对比 0.65-0.66）上取得了最大的增益。这些发现支持TRPV4 IHC作为一种具有机制基础的H&E补充方法，在多机构试点研究中，能够改善患者水平在DCIS进展谱系上的鉴别能力，其中在ADH/低级别DCIS和IDC方面获得了最强的增益。