利用基础模型自主标注手术切除标本切缘
Autonomous labeling of surgical resection margins using a foundation model.
一句话提出虚拟染墨网络VIN，在全切片图像上自动定位手术切面，减少对实体染墨的依赖。
研究问题
数据与样本
分析流程
- 1建立标注数据集：收集人扁桃体组织块的H&E染色切片，由病理医师提供边界标注。
- 2提取图像特征：使用冻结的基础模型作为全切片图像的特征提取器。
- 3训练图像块分类器：使用紧凑的双层多层感知机，学习识别符合电灼特征的图像块。
- 4开展盲法测试：在来自此前未见组织块的20张切片上生成切缘叠加图。
- 5评价定位表现：比较叠加图与专家标注在连续切片上的定性一致性，并计算区域级准确率、评估切缘图连续性。
关键方法与工具
- virtual inking network (VIN)
- 自动定位手术切面
- foundation model
- 冻结后提取图像特征
- two-layer multilayer perceptron
- 分类电灼特征图像块
- hematoxylin and eosin (H&E)
- 组织切片染色
设计思路
主要发现
- 在来自此前未见组织块的20张切片盲法测试中，VIN生成了连贯的切缘叠加图，在连续切片上与专家标注呈定性一致。
- 整个测试集的区域级准确率为~73.3%，错误主要局限于有限区域，未破坏全切片切缘图的连续性。
- 结果表明，VIN能够捕捉电灼相关组织形态学特征，可提供可重复、无需染墨的切缘勾画。
可借鉴之处
- 类似病理图像课题可借鉴“冻结基础模型提取特征＋紧凑双层分类器”的方案，将训练任务聚焦于目标形态学特征识别。
- 同一组织块存在多张切片时，可借鉴本文将此前未见组织块用于测试的做法，考察模型跨组织块的表现。
- 评估切缘标注模型时，可同时报告局部区域准确率和整张切片边界连续性，避免仅凭分类指标判断实际勾画质量。
数据与代码
局限
- 数据仅来自12个人扁桃体组织块，对其他组织类型的适用性尚不能由本研究确定。
- 盲法测试仅包含20张切片，测试规模有限。
- 研究评价了切缘定位表现，未提供切缘距离测量或患者结局方面的验证。
摘要（中文翻译）
切缘评估是病理标本评价的核心，对患者结局具有深远影响。当前实践采用实体染墨，但其应用方式存在差异，而且电灼伪影可能遮蔽组织学切片上的真实切缘。我们提出了一种虚拟染墨网络（VIN），可在全切片图像上自主定位手术切面，减少对染墨的依赖，并使以切缘为重点的阅片标准化。VIN使用冻结的基础模型作为特征提取器，并使用一个紧凑的双层多层感知机，对符合电灼特征的图像块进行分类训练。数据集包含来自12个人扁桃体组织块的120张苏木精-伊红（H&E）染色切片，产生了~2 TB的未压缩原始图像数据，由一名具有专科认证资格的病理医师提供边界标注。在对来自此前未见组织块的20张切片进行的盲法测试中，VIN生成了连贯的切缘叠加图，在连续切片上与专家标注呈现定性一致。定量分析显示，整个测试集的区域级准确率为~73.3%，错误主要局限于有限区域，未破坏全切片切缘图的连续性。这些结果表明，VIN能够捕捉电灼相关的组织形态学特征，并可提供可重复、无需染墨的切缘勾画，适合整合至常规数字病理工作流程，并用于后续切缘距离测量。
英文原文摘要
Assessing resection margins is central to pathological specimen evaluation and has profound implications for patient outcomes. Current practice employs physical inking, which is applied variably, and cautery artifacts can obscure the true margin on histological sections. We present a virtual inking network (VIN) that autonomously localizes the surgical cut surface on whole-slide images, reducing reliance on inks and standardizing margin-focused review. VIN uses a frozen foundation model as the feature extractor and a compact two-layer multilayer perceptron trained for patch-level classification of cautery-consistent features. The dataset comprised 120 hematoxylin and eosin (H&E) stained slides from 12 human tonsil tissue blocks, resulting in ~2 TB of uncompressed raw image data, where a board-certified pathologist provided boundary annotations. In blind testing with 20 slides from previously unseen blocks, VIN produced coherent margin overlays that qualitatively aligned with expert annotations across serial sections. Quantitatively, region-level accuracy was ~73.3% across the test set, with errors largely confined to limited areas that did not disrupt continuity of the whole-slide margin map. These results indicate that VIN captures cautery-related histomorphology and can provide a reproducible, ink-free margin delineation suitable for integration into routine digital pathology workflows and for downstream measurement of margin distances.
摘要来自 PubMed。翻译与解读由模型根据摘要生成，可能有误，不构成诊疗建议；数据以原文为准，版权归原出版方所有。