Assessment of Cell Nuclei AI Foundation Models in Kidney Pathology
作者: Junlin Guo, Siqi Lu, Can Cui, Ruining Deng, Tianyuan Yao, Zhewen Tao, Yizhe Lin, Marilyn Lionts, Quan Liu, Juming Xiong, Yu Wang, Shilin Zhao, Catie Chang, Mitchell Wilkes, Mengmeng Yin, Haichun Yang, Yuankai Huo
分类: eess.IV, cs.AI, cs.CV
发布日期: 2024-08-09 (更新: 2025-02-07)
💡 一句话要点
评估细胞核AI基础模型在肾脏病理学中的性能，CellViT表现最佳但仍有差距。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 细胞核分割 肾脏病理学 基础模型 Cellpose StarDist CellViT 全切片图像 医学图像分析
📋 核心要点
- 传统细胞核分割方法在肾脏病理学中泛化性不足，难以适应多样化的数据。
- 论文采用大规模评估方法，对比Cellpose、StarDist和CellViT三种主流细胞核基础模型。
- 实验结果表明CellViT在肾脏病理细胞核分割中表现最佳，但整体性能仍有提升空间。
📝 摘要（中文）
细胞核实例分割是数字肾脏病理学中的关键任务。传统的自动分割方法在应用于未见数据集时通常缺乏泛化能力。最近，基础模型（FMs）的成功提供了一种更具泛化性的解决方案，有可能实现任何细胞类型的分割。在本研究中，我们对三种广泛使用的最先进（SOTA）细胞核基础模型（Cellpose、StarDist和CellViT）进行了大规模评估。具体来说，我们创建了一个高度多样化的评估数据集，包含来自人类和啮齿动物的2542张肾脏全切片图像（WSIs），涵盖各种组织类型、大小和染色方法。据我们所知，这是迄今为止最大规模的同类评估。我们对预测分布的定量分析表明，肾脏病理学中仍然存在性能差距。在评估的模型中，CellViT在分割肾脏病理学中的细胞核方面表现出优越的性能。然而，没有一个基础模型是完美的；在肾脏病理学的一般细胞核分割方面仍然存在性能差距。
🔬 方法详解
问题定义：论文旨在解决肾脏病理学中细胞核分割的泛化性问题。现有方法在面对不同组织类型、大小和染色方法的肾脏全切片图像时，分割精度和鲁棒性不足，难以满足临床需求。
核心思路：论文的核心思路是利用预训练的细胞核基础模型，期望其在大量通用细胞核数据上学习到的先验知识能够迁移到肾脏病理学领域，从而提高分割的泛化能力。通过大规模的实验评估，找出最适合肾脏病理学应用的细胞核基础模型。
技术框架：论文采用的评估框架包括以下几个主要步骤：1）收集并整理包含2542张肾脏全切片图像的大规模数据集，涵盖不同物种、组织类型和染色方法；2）选择Cellpose、StarDist和CellViT三种主流细胞核基础模型；3）使用这些模型对肾脏全切片图像进行细胞核分割；4）对分割结果进行定量分析，比较不同模型在肾脏病理学上的性能表现。
关键创新：论文的关键创新在于对细胞核基础模型在肾脏病理学这一特定领域的性能进行了大规模、系统性的评估。以往的研究较少关注基础模型在肾脏病理学中的应用，并且缺乏如此大规模的评估数据集。该研究为后续研究者选择合适的细胞核分割模型提供了重要的参考依据。
关键设计：论文的关键设计包括：1）构建了包含2542张肾脏全切片图像的大规模数据集，保证了评估结果的可靠性；2）选择了Cellpose、StarDist和CellViT三种具有代表性的细胞核基础模型；3）采用了多种定量指标对分割结果进行评估，包括Dice系数、精确率和召回率等。
🖼️ 关键图片
📊 实验亮点
实验结果表明，在肾脏病理学细胞核分割任务中，CellViT的表现优于Cellpose和StarDist，但所有模型都未能达到完美的分割效果，仍存在性能差距。该研究强调了在特定医学图像领域评估基础模型的重要性，并为后续研究指明了方向。
🎯 应用场景
该研究成果可应用于肾脏疾病的辅助诊断、病理分析和药物研发等领域。通过提高细胞核分割的准确性和效率，可以帮助病理学家更快速、准确地识别病变细胞，从而改善患者的诊断和治疗效果。未来，结合其他临床信息，有望实现肾脏疾病的智能化诊断和个性化治疗。
📄 摘要（原文）
Cell nuclei instance segmentation is a crucial task in digital kidney pathology. Traditional automatic segmentation methods often lack generalizability when applied to unseen datasets. Recently, the success of foundation models (FMs) has provided a more generalizable solution, potentially enabling the segmentation of any cell type. In this study, we perform a large-scale evaluation of three widely used state-of-the-art (SOTA) cell nuclei foundation models (Cellpose, StarDist, and CellViT). Specifically, we created a highly diverse evaluation dataset consisting of 2,542 kidney whole slide images (WSIs) collected from both human and rodent sources, encompassing various tissue types, sizes, and staining methods. To our knowledge, this is the largest-scale evaluation of its kind to date. Our quantitative analysis of the prediction distribution reveals a persistent performance gap in kidney pathology. Among the evaluated models, CellViT demonstrated superior performance in segmenting nuclei in kidney pathology. However, none of the foundation models are perfect; a performance gap remains in general nuclei segmentation for kidney pathology.