全自动肿瘤出芽标注系统：提升结直肠癌H&E全切片图像分级评估效率与准确性

本研究针对结直肠癌H&E染色全切片图像中肿瘤出芽分级评估效率低、主观性强的问题，开发了一套全自动肿瘤出芽标注系统。通过整合肿瘤浸润前沿边界提取和出芽区域智能标注双模型，在三个独立验证集上实现AUC 0.921-0.988的边界识别精度和0.720-0.850的出芽召回率，将单张切片评估时间缩短至15-21秒，为临床病理诊断提供了高效可靠的辅助工具。

在精准医疗时代，结直肠癌（Colorectal Cancer, CRC）作为全球高发恶性肿瘤，其病理学评估的精确性直接关系到治疗策略制定和预后判断。其中，肿瘤出芽（Tumor Budding, TB）——定义为肿瘤浸润前沿不超过4个细胞构成的微小细胞簇——已被国际共识确认为关键预后指标。然而，传统的TB分级评估存在显著瓶颈：病理医师需在H&E染色全切片图像（Whole Slide Images, WSIs）中人工定位肿瘤浸润前沿，在0.785 mm²热点区域内计数出芽数量，整个过程不仅耗时（每例约1-2分钟），且因主观判断差异导致评估结果一致性低（Inter-observer Variability）。

现有基于人工智能的自动化方案多数存在明显局限：免疫组化染色方案虽提高识别度但增加医疗成本，而基于单中心数据的深度学习模型泛化能力不足。更关键的是，面对不规则肿瘤形态和复杂间质背景时，现有模型难以精准界定肿瘤浸润边界，导致TB计数误差。这些痛点催生了对兼具准确性、效率与泛化能力的全自动标注系统的迫切需求。

针对这一挑战，Peng等人在《npj Precision Oncology》发表的研究提出了一种创新性的双模型协作框架。该研究通过肿瘤与正常组织分类模型（Tumor and Normal Tissue Classification Model, TNTCM）实现浸润前沿边界精准提取，结合专门针对肿瘤浸润前沿区域的出芽标注模型（TB Annotation Model for Tumor Invasive Front Patches, TBAM-TIFP），最终通过坐标映射实现全切片级别的TB自动化标注。该系统在内部验证集（PUTH-IV）和外部验证集（TCGA-COAD-EV、TCGA-READ-EV）上均表现出色，将TB分级评估时间缩短70%以上，且生存分析证实其辅助分级结果与患者预后显著相关。

研究方法的核心技术路径包括：首先采用类CLAM预处理流程将WSIs分割为2048×2048像素的 patches，通过ResNet34架构的TNTCM实现基于绝对坐标的 patch级分类，进而通过邻域分析确定浸润边界；随后在边界区域内应用基于YOLOv8框架的TBAM-TIFP进行出芽检测，设定IoU≥0.7且置信度>0.4的检测阈值；最后通过坐标转换算法将 patch级标注映射回全切片空间。研究队列包含来自华中科技大学协和医院病理科的内部数据集（356例开发集+184例验证集）及TCGA公共数据库的外部验证集（362例结肠癌+139例直肠癌）。

肿瘤浸润前沿边界提取性能

TNTCM在三个数据集上展现出稳定的边界识别能力。如表1所示，在内部验证集PUTH-IV上特异性达0.951（95% CI: 0.934-0.968），敏感性0.935（95% CI: 0.915-0.955），AUC高达0.988。即使在外部验证集TCGA-READ-EV上，尽管特异性降至0.733，敏感性仍保持0.929，AUC为0.929，表明模型对肿瘤组织的识别鲁棒性。与INSIGHT、CLAM等主流多示例学习模型相比，TNTCM凭借 patch级监督学习策略实现显著性能提升（p<0.05）。

肿瘤出芽标注模型效能

TBAM-TIFP在肿瘤浸润前沿 patches中的标注性能如图6和表2所示。在PUTH-IV上召回率0.850，精确度0.792，F1分数0.820；外部数据集上虽有所下降（TCGA-COAD-EV召回率0.753，TCGA-READ-EV召回率0.720），但仍显著优于GLEE、Faster R-CNN等通用目标检测模型。定性分析显示（图8），模型在内部数据中可实现与病理医师完全一致的标注（3/3 TBs），但在外部数据中因TB形态变异和染色差异存在漏标现象（TCGA-COAD-EV：9/13 TBs）。

全切片标注临床应用价值

全自动标注辅助（Full-Automated Annotation Assistance, FAAA）将单张WSI的TB分级时间从人工评估的50-89秒压缩至15-21秒（表3）。如图9所示，虽然存在将间质肿瘤细胞误判为TB的假阳性现象，但通过病理医师最终审核，这些错误未影响分级结果。生存分析（图10）证实，基于FAAA的Bd3（高风险）患者与低风险组别生存曲线分离明显（p<0.05），但在Bd1与Bd2组间存在重叠，提示模型对低分级TB的鉴别精度仍需优化。

该研究的创新性在于首次构建了端到端的TB全自动标注流水线，通过解剖学引导的级联策略（先定位浸润前沿再检测出芽）显著提升可解释性。双模型协作机制既克服了单一模型对复杂组织结构的适应不足，又通过坐标映射保持空间一致性。值得注意的是，虽然模型在外部验证中表现出一定性能衰减，但其在TCGA多中心数据上的稳定性已优于多数既往研究。

讨论部分指出，当前系统的局限性主要源于三方面：TNTCM对异质性样本的泛化能力仍需加强；TBAM-TIFP对特殊形态TB的漏标问题；以及假阳性标注对低分级病例生存曲线分辨度的干扰。未来工作应聚焦于增加训练样本多样性，引入对抗训练提升域适应能力，并开发更精细的TB亚型判别算法。

综上所述，这项研究为CRC病理智能化诊断提供了重要技术支撑。其价值不仅体现在显著提升TB评估效率，更在于建立了可扩展的标注框架，为其他肿瘤的微环境分析树立了新范式。随着数字病理与人工智能的深度融合，这种融合算法创新与临床需求的研发思路，将加速精准病理学从概念走向常规应用的进程。