病理切片质量控制:三个数据集上比较六种伪影分割工具,HistoKit 居首

波兰西里西亚理工大学与慕尼黑大学医院(LMU Klinikum)的团队比较了六种公开工具,用于在数字化病理切片上发现制片或扫描缺陷(折叠、失焦区域、气泡、污渍)。沿用 GrandQC 伪影模块的 HistoKit 排名第一,HistoQC 排名最后,一个简单的后处理步骤还能进一步提升 HistoKit。这项工作的价值在于首次在同一批数据上比较这些工具,但标注集非常小,其中一个由单人标注,且没有任何结果被转化为对诊断的影响。

背景

数字病理学是把玻璃切片扫描成巨大的图像,即“全切片图像”(whole slide images,WSI),每张可达数千兆字节,再交给计算机分析。用苏木精-伊红(H&E,标准染色,细胞核呈蓝紫色,其余呈粉红色)染色的切片很脆弱:组织折叠、盖玻片下的气泡、失焦区域、记号笔墨迹或灰尘,都可能误导下游的 AI 模型,使其把伪影当成病变,或忽略有用区域。

因此分析流程通常先做自动质量控制:逐像素分割(segmentation)出可用组织和有缺陷的区域。现有工具不少,但据作者所说,真正能被第三方使用的很少,跨多个数据集的比较也罕见。这篇预印本瞄准的正是这一空白,已发布在 arXiv(eess.IV 类别)并投稿至 Medical Image Analysis,因此尚未经过同行评审。

方法

作者在两项任务上测试六种公开算法:先分离出可用组织,再把伪影分类(背景、暗斑或异物、边缘与气泡、折叠、失焦区域“out-of-focus”、笔迹)。六种工具是:GrandQC(采用 EfficientNet-B0 编码器的 U-Net++ 网络,即一种 U 形图像分割网络,配有轻量级特征提取器)、HistoKit(基于阈值的组织检测,加上 GrandQC 的伪影模块,使用重叠窗口)、HistoQC(图像指标加传统分类器)、HistoROI(基于小图块的 ResNet18 分类器,训练时有专家参与)、Patil 等人的工作(U-Net),以及 Schreiber 等人的工作(在颜色空间中用 Otsu 方法做简单阈值分割)。

三个数据集作为参照。数据集 A 有 13 个标注区域,来自 TCGA 和 CAMELYON16(两个公开数据库),为组织与其余部分的二元分割。数据集 B 有 567 个标注区域(正文提到过滤后为 574 张图像),来自奥地利的一家中心,由图块级标注重建而成。数据集 C 为新数据,有 20 张切片中的 23 个区域,来自 TCGA(六种器官)和 Compass NMD 项目(肌肉),由一名博士生用 ImageJ 标注;论文发表时将公布在 Zenodo。

指标按像素计算:Dice 指数(预测区域与参考区域的重叠程度,取值 0 到 1,1 为完全重合)、灵敏度(真实组织像素被找回的比例)和错误发现率,即 FDR(被预测为组织但实际不是的像素所占比例)。统计上使用 Friedman 检验(在相同图像上比较多种方法),随后做两两 Wilcoxon 检验,并采用 Benjamini-Hochberg 校正,以降低多重比较时得出错误结论的风险。

结果

机器学习指标。各方法之间的差异具有统计学意义。在组织检测上,HistoKit 和 GrandQC 在三个数据集上都表现稳健。HistoKit 在数据集 B(Dice 和 FDR)和数据集 C(所有指标)上显著优于 GrandQC,部分原因是 GrandQC 处理的图块互不重叠,会留下可见的边界伪影。在伪影分割上,GrandQC 和 HistoKit 明显优于 Patil 等人的方法,后者常把伪影误判为失焦,或把折叠当成组织;HistoKit 在部分数据集上主要改善了折叠、边缘和失焦区域。所有方法最难处理的类别是暗斑和失焦区域。HistoQC 最差:它经常漏掉组织,这在机制上拉低了它的 FDR,却并不意味着更好。

计算时间(在一张 0.98 GB 的图像上测得)改变了解读。每张切片上,HistoROI 用时 0.14 分钟,Schreiber 0.20,Patil 0.25,HistoQC 0.32,GrandQC 0.78,HistoKit 6.18(重叠率 75%)。重叠率差别很大:HistoKit 的伪影步骤在重叠 0% 时耗时 0.41 分钟,75% 时 2.02 分钟,90% 时 10.71 分钟。作者建议重叠率略低于 90%。一个后处理步骤(用 5 像素圆盘做形态学开运算、填补孔洞、面积阈值为切片的 0.025%)使数据集 A 和 B 的 Dice 与灵敏度显著提高,对 C 无影响。

临床转化。没有,而这正是要记住的一点:论文没有报告诊断灵敏度、患者层面的假阳性,也没有报告对病理医生阅片的影响。折叠上更高的 Dice,并不能说明有多少切片会被误拒、有多少伪影会进入下游诊断模型,或重新扫描要付出什么代价。这些换算无法从预印本的数据中得出。

优点

真正的比较,并点名了被排除的工具。作者列出了无法测试的工具及原因:PathProfiler 无法运行,SliDL 的权重无法获取,SlideInspect、Smit 等人、GuardQC、AIRAQc 和 DiffusionQC 没有可用的代码或权重,GrandQC+ 没有公开脚本。这份清单记录了该领域可复现性的真实状况。

恰当的统计方法。先 Friedman,再校正的 Wilcoxon,并给出效应量:在这个子领域并不常见,常见做法是不做检验直接比较平均值。

衡量了计算成本。报告随重叠率变化的 0.41 至 10.71 分钟,展示了质量与时间之间的真实权衡,方法类论文常常省略这一点。分析代码、HistoKit 和 GrandQC 均在 GitHub 上,数据集 C 将发布在 Zenodo。

不足

标注集极小,参考标准脆弱。数据集 A 只有 13 个区域,数据集 C 为 20 张切片的 23 个区域,由一名受训人员标注:存在标签噪声(label noise)的可能,在已阅读的部分中未见标注者间一致性。数据集 B 的背景标签不一致,作者的处理办法是把它们排除在参考之外。数据集 A 不标注模糊。C 上某些伪影(如边缘)的差异不显著,也许只是图像太少。

因工具可获得性造成的比较对象偏倚。七种工具因缺少代码或权重被剔除,HistoQC 无法在数据集 B 上运行,也无法读取数据集 A 中三张图像的放大倍数,HistoROI 也未在 B 上运行。因此排名只涵盖“不费力就能跑起来”的工具,而非完整的最新水平。还需核实独立性:HistoKit 的代码库挂在 ZAEDPolSl 账号下,其名称暗示与作者同属西里西亚的同一团队。已读页面没有说明 HistoKit 是否为作者自己的工具;如果是,那么一个让作者自家工具夺冠的基准,需要第三方团队来确认。作者声明无利益冲突。

像素指标与实际用途有距离。像素级 Dice 衡量的是图的质量,而不是它的用处。作者承认没有评估对下游任务(细胞分割、肿瘤检测)的影响,只测试了 H&E 染色,也未涵盖冷冻伪影。人群偏倚同样体现在扫描仪和实验室上:GrandQC 依赖一家奥地利中心的数据,这样训练的质控工具在其他中心可能退化,只有大规模多中心测试才能衡量。最后,一次预测错误在高倍率下可能传播到许多小图块。

意义

对研究界。论文提供了可复现的比较基础和一条实用规则:图块重叠和形态学后处理与架构同样重要。数据集 C 公开后将增加肌肉组织的测试平台,这在该领域并不多见,但还需要扩大规模,并由多位病理医生标注。

对临床医生和实验室。对数字化切片的实验室,结论较为平实:GrandQC 或 HistoKit 看来是不错的起点,需权衡计算成本,任何工具都不能取代在自己的切片和扫描仪上的验证。短期内对诊断实践没有影响。

对患者和公众。影响是间接的:更好的质量控制可降低诊断模型被切片缺陷误导的风险,但本文并未衡量这一风险。

延伸阅读

预印本:Merta J.、Mendelsohn D.、Schoser B.、Polanska J.、Marczyk M.,“Benchmarking and Improvement of Artifact Segmentation Methods in H&E-Stained Whole Slide Imaging”,arXiv:2610.24037,已投稿至 Medical Image Analysis,许可 CC BY-NC-SA 4.0(arxiv.org/abs/2610.24037)。机构:西里西亚理工大学(波兰格利维采)、Friedrich-Baur 研究所、慕尼黑大学医院、耶鲁癌症中心。资助:CoMPaSS-NMD 项目,欧盟 Horizon Europe,资助协议 101080874。代码:基准分析、HistoKit、GrandQC。

编辑透明度说明:本文由 Tatakoto 的自动化编辑流程依据 arXiv 预印本的 HTML 版本生成;文末约 5000 个字符未能读取,数字均取自已读部分。英文、西班牙文和中文版本由 AI 生成。发现错误?请联系我们。