“深度学习技术”助力鉴定NHL亚型，准确率超过95%！

Original 遣之萝卜秃医学界血液频道 2021-12-24

仅供医学专业人士阅读参考

更精准诊断，助力更有效治疗！

NHL复杂多样，深度学习助力诊断分型

非霍奇金淋巴瘤（NHL）是一组异质性较强的血液肿瘤，临床特征和预后各不相同。其临床诊断和分型需要结合临床表现、血清学、形态学以及潜在的细胞遗传学/分子生物学信息进行综合判断。其中，形态学评估是诊断关键，指导临床医生进行后续的免疫组织化学和（或）分子检测^[1]。

进行形态学评估的人员主要是病理科医生或血液科医生，其评估结果易受到诊疗经验限制及主观因素的影响。此外，并非所有医院都可以依靠昂贵的方法学设备来进行分子学分析。因此，协助评估样本形态学并鉴定其亚型的辅助方法具有开发的必要和前景。

深度学习技术，特别是其中的代表算法卷积神经网络，已被证明可以对组织病理学图像进行高精度分类，如对癌症进行亚型鉴定^[2]。但是，目前鲜有关于血液肿瘤分类的报道，特别是NHL亚型。

近日，一项研究结合扫描组织病理学与深度学习技术，将无肿瘤淋巴结（LN）、小淋巴细胞淋巴瘤/慢性淋巴细胞白血病（SLL/CLL）和弥漫性大B细胞淋巴瘤（DLBCL）进行了分类鉴定，对来自125例患者的16,960张图像块进行质控后，优化算法在独立测试集上的准确率达到95.56%^[3]。

图1：文章标题

EfficientNet鉴别SLL/CLL和DLBCL，准确率高达95.56%

研究人员收集了629名患者的淋巴结样本，受累淋巴结样本取自不同解剖区域，无肿瘤淋巴结样本取自非淋巴瘤肿瘤疾病（肺、结肠和胰腺）手术的切除标本。对获得样本进行常规的HE染色，以及免疫组织化学分析，接着构建组织微阵列（TMA），使用载玻片扫描仪以400倍的放大倍数进行扫描，根据2016年世界卫生组织的造血和淋巴组织肿瘤分类对淋巴瘤进行诊断。

根据临床建议，对淋巴结样本扫描片中对照LN、SLL/CLL和DLBCL的肿瘤区域进行注释（图2B）。为了确保每种肿瘤都有足够的代表性，每份扫描片至少提取10个图像块（图2C）。经过注释后选择的图像块能较好地反映相应的肿瘤细胞形态学特征（图3）。

图2：肿瘤注释和图像斑块的生成。DLBCL的代表性TMA核心，无注释（A），有注释（B）——黄色轮廓，以及图像块创建后（C）——红色方块。

图3：来自注释区域的图像块示例。显示了来自对照LN（A），SLL/CLL（B）和DLBCL（C）的代表性图像块。

为了确保可靠的结果，研究人员将患者随机分为三个子集：训练集（60％，377例），验证集（20％，125例）和测试集（20％，125例）。接着使用EfficientNet（一种通过智能缩放获得精确度增益的卷积神经网络）和相关硬件软件进行模型训练，用Adam优化器对训练模型进行优化。EfficientNet系列由多个模型（从B0到B7）组成，每个模型都是基准模型B0的缩放版本。

由于B4体系结构似乎不比B3体系结构好，因此研究人员没有在数据上调整B5–B7体系结构（图4）。尽管B3和B2模型的总体精确度几乎相等，但B3模型的验证数据却更为准确。因此，研究人员选择了B3模型对测试集进行分类。

图4：不同EfficientNet模型（B0-B4）的训练和验证准确性

研究人员还对B3模型进行了相关优化，之后对独立测试集（来自125例患者的16,960张图像块）进行病例/图像块质量控制（CQC/PQC）。对CQC的提高最高可使B3优化模型的均衡准确率（BACC）达到95.56%。

图5：给定不同的CQC阈值和PQC阈值所可以达到的BACC

为了确保EfficientNet分析的是正确的细胞组分，研究人员还应用了SmoothGrad进行验证。SmoothGrad产生的热图表明了某些像素对于预测的重要性。可以观察到，细胞组分比非细胞组分表现出了明显的高活性（图6）。因此，研究人员得出结论，该模型根据细胞形态预测了相应的NHL亚型：

图6：不同淋巴结样本的SmoothGrad热图（以HE染色样本作为参照）

小结：该研究利用深度学习技术中非常流行的EfficientNet对SLL/CLL及DLBCL进行了鉴定，经过优化和质控后，鉴定准确率可达到95%以上。该深度学习结果可协助血液科医生安排更精准免疫组织学和/或分子检测，减少患者经济负担，也可以帮助非血液科医生提高对诸如SLL/CLL等潜在血液学肿瘤的警觉性与检查能力。

参考资料：

[1]Rosai,J.The Continuing Role of Morphology in the Molecular Age.Mod.Pathol.2001,14,258–260.

[2]ang,S.;Wang,T.;Yang,L.;Yang,D.M.;Fujimoto,J.;Yi,F.;Luo,X.;Yang,Y.;Yao,B.;Lin,S.;et al.ConvPath:A software tool for lung adenocarcinoma digital pathological image analysis aided by a convolutional neural network.EBioMedicine 2019,50,103–110.

[3]Deep Learning for the Classification of Non-Hodgkin Lymphoma on Histopathological Images.