基于深度学习的腹主动脉瘤组织病理学评估：揭示炎症特征与纤维化的数字生物标志物

　　本刊推荐：为解决血管病理学中深度学习应用不足的问题，研究人员开展腹主动脉瘤(AAA)组织病理学WSI的深度学习分析研究，成功预测炎症特征（外膜炎症AUC>0.70）、纤维化程度和弹性纤维残留量，证明HE染色在计算病理学中的优势，为AAA病理机制研究和个体化治疗提供新视角。

　　

在血管疾病研究领域，腹主动脉瘤（Abdominal Aortic Aneurysm, AAA）作为一种潜在的致命性血管病变，其病理机制至今尚未完全阐明。临床上，AAA主要表现为肾下腹主动脉的病理性扩张，伴随破裂风险。传统组织病理学分析依赖病理学家肉眼观察染色切片，主观性强且效率低下。尽管计算病理学（Computational Pathology）在肿瘤学领域取得突破性进展——例如预测微卫星不稳定性（MSI）和基因突变——但血管病理学的数字化分析仍处于起步阶段。更关键的是，当前缺乏能够从常规染色切片中自动提取定量生物标志物的可靠方法，这严重阻碍了对AAA病理生物学机制的深入理解。

针对这一空白，来自德累斯顿工业大学、慕尼黑工业大学等机构的跨国研究团队开展了一项大规模多中心研究，首次系统评估了深度学习（Deep Learning, DL）在AAA数字病理图像分析中的性能。该研究近期发表于《Diagnostic Pathology》，为血管计算病理学建立了新的技术标准。

研究团队汇集了来自欧洲三家医疗中心（慕尼黑工业大学、维尔茨堡大学医院、维也纳医科大学）2005-2019年间369例开放手术患者的AAA全层组织样本。所有样本均制备成HE染色（Hematoxylin and Eosin）和EVG染色（Elastica van Gieson）两种全幻灯片图像（Whole-Slide Image, WSI），并由三位病理学家独立标注形成金标准。标注参数涵盖血管三层结构（内膜、中膜、外膜）的多个病理特征：包括HISA分级（Histological Inflammation Scale of Aneurysms）、钙化存在与否、炎症程度（无/轻度/中度/重度）、新生血管形成、弹性纤维残留百分比（<25%/>25%）以及纤维化程度。

技术上，研究采用弱监督注意力多示例学习（attention-based multiple instance learning）框架：首先通过STAMP协议对WSI进行预处理，包括256μm/pixel尺度下的图像分块（224×224像素）、背景去除和HE染色颜色标准化；随后使用预训练卷积神经网络（CNN）提取特征，最后通过注意力机制聚合斑块特征实现幻灯片级别预测。所有模型在慕尼黑队列（n=287）上进行5折交叉验证，并在两个独立外部测试集（维尔茨堡n=36，维也纳n=46）上验证泛化性能。

研究结果显著体现在三个方面：

炎症预测方面：DL模型从HE染色WSI中成功预测外膜炎症的存在（二元分类AUC_MUV=0.75±0.10, AUC_UHW=0.85±0.08）和分级（多类分类AUC_MUV=0.73±0.10, AUC_UHW=0.78±0.10）。注意力热图显示模型无需区域标注即可自动定位到外膜区域的炎症细胞浸润（浆细胞、淋巴细胞等），而中膜炎症预测则未达到显著水平。

纤维化与弹性纤维评估：DL可准确预测外膜纤维化程度（重度vs其他，AUC_MUV=0.83±0.02, AUC_UHW=0.72±0.08）和中膜弹性纤维残留量（二元分类AUC_MUV=0.78±0.06, AUC_UHW=0.71±0.10）。值得注意的是，模型对中膜新生血管的预测在维也纳队列中因所有样本阴性而无法评估。

染色方法比较：EVG染色模型在钙化、纤维化、HISA分级等任务表现与HE模型相当，但在外膜炎症预测上显著逊于HE模型（EVG模型AUC<0.61 vs HE模型AUC>0.73），提示HE染色可能足以支持AAA计算病理学分析。

讨论部分强调，这是迄今最大规模的血管计算病理学研究，证实了DL从常规HE切片中提取炎症、纤维化和弹性纤维降解等定量特征的可行性。尤其重要的是，DL成功预测了1994年提出的HISA分级，验证了该传统病理学标准的可重复性。研究还观察到模型性能在不同测试集间存在差异（如弹性纤维预测），这可能源于样本量限制或动脉瘤直径差异导致的血管壁重塑异质性。

局限性包括研究的回顾性设计、部分病理参数样本不足以及缺乏直接临床可操作性。然而，该研究为多模态整合奠定基础——未来工作可将组织学特征与影像学表型、基因组数据和临床结局结合，构建更精确的AAA进展预测模型。外膜炎症的计算识别尤其具有转化潜力：非侵入性影像技术（如PET或放射性标记白细胞闪烁扫描）可能据此靶向监测炎症活动，指导抗炎药物治疗策略。

这项由Fiona R. Kolbinger和Omar S. M. El Nahhas共同第一作者、Albert Busch和Jakob Nikolas Kather共同资深作者完成的研究，不仅建立了AAA数字病理分析的技术流程，更开创了血管疾病计算病理学的新范式，为理解AAA病理生物学和实现个体化治疗提供了前所未有的技术手段。