基于深度学习的可解释性慢性胃炎全切片图像分析模型GastritisMIL：实现组织学评估精准化与临床决策优化

　　这篇研究推荐介绍了一种名为GastritisMIL的创新深度学习（DL）模型，该模型通过多中心验证的全切片图像（WSI）数据集，实现了对慢性胃炎（CG）炎症、活动性、萎缩及肠化生（IM）的精准分级（AUC>0.971），其性能媲美资深病理医师。模型生成的可视化热图能辅助快速定位病灶，显著提升诊断效率（耗时<5分钟/例），为胃癌前病变监测提供智能化解决方案。

　　

研究背景与临床挑战

慢性胃炎（CG）作为胃癌前驱病变，其组织学评估的金标准依赖病理检查，但传统方法面临诊断效率低（平均阅片时间27.67分钟/例）、主观性强（不同医师诊断差异达15%）等挑战。尤其对于胃黏膜萎缩和肠化生（IM）的评估，内镜诊断准确率仅约50%，而OLGA/OLGIM分期系统要求精确量化病变程度以指导随访间隔。全球病理医师短缺（年减少率2.6%）进一步加剧临床需求，亟需开发自动化评估工具。

技术创新与模型构建

研究团队开发了GastritisMIL——首个基于多实例学习（MIL）框架的可解释DL模型。关键技术突破包括：

1. 数据规模：整合4个医疗中心的2,744例患者WSI（含1,577例胃窦炎症数据），构成目前最大CG相关数据集；
2. 架构设计：采用ResNet50提取40×放大下的1,024维特征，结合梯度平衡损失（gradient-Libra loss）解决类别不平衡问题（严重萎缩样本仅占4.6%）；
3. 多任务分类：同步评估炎症（单核细胞浸润）、活动性（中性粒细胞浸润）、萎缩（腺体减少）和IM（肠上皮化生）四大指标，符合更新版悉尼系统标准。

性能验证与临床价值

在内部测试集中，模型表现卓越：

• 分类性能：炎症（AUC 0.971±0.003）、活动性（AUC 0.984±0.003）任务超越6种对比模型（如TransMIL、PatchGCN）；
• 泛化能力：外部验证（467例）显示IM检测AUC达0.975，与资深病理医师一致性（kappa>0.85）；
• 效率提升：推理速度较初级病理医师快6倍（4.5分钟 vs 27.67分钟），且热图可精确定位腺体结构异常区域（如误判率仅5.3%的IM病灶）。

可解释性突破

模型通过注意力机制生成的热图（图4）直观展示病变区域：

• 红色高亮区对应中性粒细胞密集浸润（活动性评估）；
• 蓝色过渡区标记腺体萎缩边界（准确区分轻/中度萎缩，F1分数0.846）；
• 结构混淆分析揭示主要误差来源（54.3%误判源于胃小凹与腺体上皮相似性）。

局限性与未来方向

当前模型存在三类待优化问题：

1. 数据偏差：外部中心间染色差异导致性能波动（Macenko归一化后AUC下降约0.05）；
2. 临床转化：需整合OLGA/OLGIM分期输出直接预测胃癌风险；
3. 多模态融合：未纳入内镜图像特征（计划开发病理-内镜联合基础模型）。

行业影响

该研究为数字病理领域树立了新范式：

• 首次实现CG全维度组织学指标的自动化评估；
• 开源800例WSI数据集（ScienceDB平台）填补领域空白；
• 临床部署后可降低43%的病理报告撰写时间，尤其助力资源匮乏地区。团队正探索将该框架扩展至其他癌前病变（如Barrett食管）的评估体系。