基于人工智能的鼻息肉病理亚型诊断：一项多维度与微观可视化研究

AI鼻息肉亚型诊断系统NPSS集成显微图像（MI）、全玻片图像（WSI）及三维重建（3DNP），实现亚型精准分类与预后预测，诊断效率提升至秒级，病理医生准确率从50%提升至89%。

摘要

背景

鼻息肉（NP）是常见的上呼吸道疾病，其炎症亚型多样，这些亚型会影响临床特征和预后。在显微镜图像（MI）中手动计数炎症细胞既费时又具有主观性，从而限制了诊断的精确度和治疗决策。

方法

本研究使用了来自20家医院的2457张切片来开发一个基于人工智能的鼻息肉亚型诊断系统（NPSS）。NPSS-MI是基于1047张切片（15,705张显微镜图像）构建的，这些切片由病理学家进行了标注。NPSS-WSI则通过结合PA-P2PNet进行细胞检测和U-KAN进行区域分割，在1410张切片（21,150张图像）上进行了训练。通过配准和点云分析实现了三维重建（3DNP），从而能够对炎症细胞进行空间量化。12位病理学家对NPSS在200张切片上的准确性和效率进行了评估，并在131名患者的队列中使用了逻辑回归模型开发了复发预测模型。

结果

NPSS在细胞检测方面的加权平均F1分数为0.809，在区域分割方面的交并比（IoU）为0.827（基于内部数据集）。外部数据集的测试结果显示F1分数为0.792，IoU为0.815。随机选取的40张切片的结果通过WSI进行了近似处理。NPSS-MI和NPSS-WSI的准确率分别达到了90%和91%，诊断时间分别从193秒缩短到了8秒，从10,450秒缩短到了250秒。使用NPSS的初级病理学家的诊断准确率从50%提高到了89%。在3DNP中，炎症细胞显示出明显的空间分布模式。NPSS-WSI的预后模型优于基于显微镜图像的模型（AUC分别为86.64%和79.81%，p = 0.039）。

结论

NPSS整合了显微镜图像（MI）、全切片图像（WSI）和三维重建（3DNP），实现了准确高效的鼻息肉亚型诊断和预后预测，极大地提高了诊断的精确度和临床实用性。

图形摘要

我们开发了NPSS，这是一个基于人工智能的系统，它整合了显微镜图像（MI）、全切片图像（WSI）和三维重建（3DNP），用于分类鼻息肉的炎症亚型。该系统显著缩短了诊断时间，并将病理学家的诊断准确率从49%–52%提高到了89%–90%。NPSS-WSI具有更高的预后价值（AUC为86.64%），显著提升了临床决策能力和复发预测能力。

利益冲突

作者声明没有利益冲突。

数据可用性声明

如需获取个别参与者的数据，请联系通讯作者QTY；数据访问需经过机构审查委员会的批准，部分数据可通过安全的在线平台共享用于研究目的。我们使用了开源的机器学习框架PA-P2PNet和U-KAN来进行实验。PA-P2PNet和U-KAN的代码可在线获取（https://github.com/Lion-shine/NPSS-nasal-polyps-pathological-subtype-diagnosis）。此外，所有实验和实施细节都在方法部分和支持信息中提供。