🔬 pathology

PRECISE: Benchmarking digital pathology with expert-annotated contiguous IHC-H&E serial prostate sections

Het artikel introduceert PRECISE, de eerste publiekelijk beschikbare dataset van door experts geannoteerde, ruimtelijk geharmoniseerde H&E- en IHC-seriële prostaatbiopsie-coupes, ontworpen om te dienen als een robuuste multimodale benchmark voor het bevorderen van AI-ondersteunde diagnose door middel van pixelniveau semantische segmentatie van het volledige morfologische spectrum van prostaatpathologie.

Oorspronkelijke auteurs: Calapaqui Teran, A. K., Gonzalez Bernad, A. A., Cobo Cano, M., Sanchez Magdaleno, L., Marcos Gonzalez, S., Delgado Bolton, R. C., Moustafa Calvo, J., Gomez Roman, J. J., Lara, L.

Gepubliceerd 2026-07-22

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Calapaqui Teran, A. K., Gonzalez Bernad, A. A., Cobo Cano, M., Sanchez Magdaleno, L., Marcos Gonzalez, S., Delgado Bolton, R. C., Moustafa Calvo, J., Gomez Roman, J. J., Lara, L.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je voor dat je een detective bent die een mysterie probeert op te lossen in een piepkleine, onzichtbare stad. Deze stad is gemaakt van cellen, en soms veranderen een paar van deze cellen in raddraaiers die kanker worden genoemd. Om hen te vinden, gebruiken artsen een speciaal soort microscoop die gigantische, hoog-resolutie foto's maakt van deze celsteden. Deze foto's worden "Whole Slide Images" genoemd. Normaal gesproken gebruikt de detective een standaard blauw-en-roze verf (genaamd H&E) om de cellen te kleuren. Het is alsof je naar een zwart-wit kaart kijkt; je ziet de vormen, maar soms lijken de raddraaiers zo erg op de goede jongens dat het moeilijk is om ze uit elkaar te houden. Wanneer de detective in de war raakt, vraagt hij om een tweede mening met behulp van een speciale "highlighter"-verf (genaamd IHC) die op specifieke cellen gloeit om te bewijzen wie wie is. Dit tweetrapsproces—eerst kijken naar de kaart, en dan de highlighter controleren—is hoe artsen momenteel de moeilijkste gevallen oplossen. Maar het trainen van computers om dit detectivewerk te doen is lastig geweest, omdat de meeste trainingssets voor computers alleen de blauw-en-roze kaart laten zien, waardoor de computer moet gokken wanneer de highlighter nodig is.

Hier komt een nieuw project genaamd PRECISE kijken. Denk aan PRECISE als de allereerste "tweetalige" trainingshandleiding voor computerdetectives. In plaats van de computer slechts één afbeelding te geven, hebben de onderzoekers een dataset gecreëerd waarbij elke blauw-en-roze kaart perfect is gekoppeld aan zijn bijbehorende highlighter-kaart. Ze namen 37 piekleine monsters van prostaatweefsel van 25 patiënten en creëerden 27 sets van deze gekoppelde afbeeldingen. Wat dit bijzonder maakt, is dat twee expert-pathologen (de menselijke detectives) er niet alleen naar keken; ze tekenden gedetailleerde kaarten op zowel de blauw-en-roze als de highlighter-versies, waarbij ze precies markeerden waar de kanker, de goede cellen en de lastige "bijna-kanker" cellen zich bevonden. Ze gebruikten zelfs de highlighter-verf als een "waarheidsserum" om ervoor te zorgen dat hun kaarten 100% accuraat waren. Het resultaat is een enorme bibliotheek van 24.387 gelabelde regio's die zeven verschillende soorten weefsel beslaan, inclusief zeldzame en verwarrende soorten die andere computerdatasets vaak negeren.

Het artikel beweert niet dat computers nu kanker kunnen genezen of dat deze dataset elk probleem oplost. In plaats daarvan suggereert het dat deze nieuwe bron een krachtig hulpmiddel is om onderzoekers te helpen betere AI te bouwen. De auteurs hebben de data gemeten en ontdekten dat hoewel computers soms kanker van goede cellen kunnen onderscheiden door alleen naar de kleur te kijken, er nog steeds veel overlap is die het zonder het oog van de expert moeilijk maakt om zeker te zijn. Door deze gekoppelde, door experts geannoteerde afbeeldingen te verstrekken, hopen de auteurs dat AI leert om de subtiele verschillen te zien die mensen waarnemen, vooral in die lastige gevallen waar de standaard kaart niet voldoende is. Ze merken er voorzichtig bij op dat omdat de data afkomstig is van slechts één ziekenhuis en een specifieke groep patiënten, de AI extra oefening nodig kan hebben voordat deze overal perfect kan werken. Maar voor nu biedt PRECISE een unieke, open uitnodiging voor wetenschappers om hun digitale detectives te trainen op de echte, tweetraps manier waarop artsen daadwerkelijk te werk gaan, wat potentieel kan leiden tot snellere en nauwkeurigere diagnoses in de toekomst.

Technische Samenvatting: PRECISE Dataset voor Prostaatpathologie

Probleemstelling
De ontwikkeling van robuuste, generaliseerbare deep learning (DL) modellen voor de diagnose van prostaatkanker wordt belemmerd door een gebrek aan hoogwaardige, multimodale trainingsdata. Bestaande publieke repositories, zoals PANDA of TCGA-PRAD, bieden voornamelijk single-modality (H&E) data met grove annotaties (bijv. slide-niveau Gleason-scores) of binaire tumor/benigne classificaties. Deze bronnen falen vaak in het vastleggen van het volledige morfologische spectrum dat in de klinische praktijk wordt aangetroffen, inclusief zeldzame precursor-laesies (bijv. High-Grade Prostatic Intraepithelial Neoplasia [HGPIN], Intraductal Carcinoma [IDC-P]) en verwarrende entiteiten (bijv. stromale variaties, artefacten). Bovendien weerspiegelen huidige datasets niet de standaard twee-fasen klinische diagnostische workflow waarbij Immunohistochemie (IHC) wordt gebruikt als een aanvullend instrument om morfologische onzekerheid in H&E-slides op te lossen. De afwezigheid van ruimtelijk geharmoniseerde, pixel-niveau expert-annotaties over gekoppelde H&E en IHC modaliteiten heen creëert een bottleneck voor het trainen van multimodale AI-systemen die in staat zijn de diagnostische consensus te repliceren.

Methodologie
De auteurs presenteren PRECISE (PRostate Expert-annotated Contiguous IHC–H&E Serial sEctions), een hybride histopathologie dataset geconstrueerd uit 37 prostaat core needle biopsies (CNBs) van 25 unieke patiënten.

Data Acquisitie: Specimens werden verwerkt via standaard transrectale biopsie, gefixeerd in formaline en ingebed in paraffine. Seriële secties (3 µm dikte) werden gegenereerd: de primaire sectie werd gekleurd met Hematoxiline en Eosine (H&E), en de direct aangrenzende sectie werd gekleurd met een dubbel-immunochemische cocktail van High-Molecular-Weight Cytokeratin (HMWCK) en $\alpha$ -methylacyl-CoA racemase (AMACR).
Digitalisering: Slides werden gescand met 20× vergroting met behulp van 3DHISTECH P250 en P1000 whole-slide scanners, wat afbeeldingen opleverde met een ruimtelijke resolutie van 0,243 µm/pixel. Data werden geëxporteerd als pyramidale OME-TIFF bestanden met LZW lossless compressie.
Annotatie Workflow: Een rigoureus drie-fasen consensusproces werd gehanteerd door twee expert urologen (8 en 10 jaar ervaring).
1. Onafhankelijke Traceerarbeid: Eén patholoog annoteerde alle relevante structuren op zowel de H&E als de IHC slides.
2. Review: Een tweede patholoog beoordeelde de annotaties op consistentie en grensovereenkomst.
3. Consensus: Beide experts losten discrepanties op via een gezamenlijke review.
- Ground Truth: De IHC-slides (specifiek HMWCK voor basale cellen en AMACR voor racemase-expressie) dienden als de biologische ground truth om precieze grenzen voor uitdagende klassen te definiëren.
Klassen: De dataset bevat zeven diagnostisch kritische klassen: Maligne klieren (Tumor), Benigne klieren, Stromaal weefsel, HGPIN, Intraductaal carcinoom (IDC-P), Atypische intraductale proliferatie (AIP) en Weefselartefacten.
Stroma Generatie: Terwijl de meeste klassen handmatig werden geannoteerd, werd de "Stroma"-klasse gegenereerd via een geautomatiseerde pipeline bestaande uit intensiteitsdrempelwaarden en morfologische verfijning om niet-geannoteerde weefselregio's in te vullen, wat zorgt voor volledige semantische dekking.
Harmonisatie: Annotaties zijn "semantisch geharmoniseerd", wat betekent dat overeenkomstige weefselregio's over de seriële secties heen consistente klassenlabels delen. De auteurs merken echter expliciet op dat, vanwege fysieke weefseldeformatie tijdens het snijden van seriële secties, perfecte pixel-voor-pixel geometrische registratie niet gegarandeerd is zonder aanvullende elastische registratie.

Belangrijkste Bijdragen

Eerste Publieke Hybride Dataset: PRECISE is de eerste publiek beschikbare dataset die gekoppelde, contigueuze H&E en IHC whole-slide afbeeldingen biedt van prostaat CNBs met expert pixel-niveau annotaties die geharmoniseerd zijn over beide modaliteiten.
Spiegeling van Klinische Workflow: De structuur van de dataset repliceert direct de klinische "H&E-dan-IHC" workflow, wat een realistisch fundament biedt voor het trainen van multimodale AI-systemen die bedoeld zijn om diagnostische onzekerheid op te lossen.
Granulaire Klasse Diversiteit: In tegenstelling tot binaire datasets legt PRECISE het volledige morfologische spectrum vast, inclusen zeldzame en diagnostisch uitdagende precursor-laesies (HGPIN, IDC-P) en artefacten, met in totaal 24.387 expert-gevalideerde annotaties.
AI-Ready: De data worden vrijgegeven in een bruikbaar formaat (pyramidale OME-TIFF) met bijbehorende segmentatie-masks (uint8 arrays met class IDs 0–7), waardoor geen extra handmatige preprocessing nodig is voor deep learning pipelines.
Open Science: De dataset en de bijbehorende code (inclusen tools voor multimodale visualisatie, morfologische verfijning en QuPath automatisering) zijn openbaar beschikbaar onder CC-BY 4.0 en Apache 2.0 licenties.

Resultaten en Validatie

Dataset Statistieken: De dataset bestaat uit 27 WSIs (25 subjecten) met een gecombineerd totaal van 24.387 geannoteerde regio's. De distributie is sterk scheef naar Tumor (5.347 H&E instanties) en Stroma (8.107 H&E instanties), waarbij zeldzame klassen zoals IDC-P (5 instanties) en AIP (3 instanties) door een klein aantal worden vertegenwoordigd.
Chromatische Analyse: Een voorlopige analyse van de CIELAB kleurruimte (specifiek het a kanaal dat roodheid vertegenwoordigt) onthulde dat hoewel tumorregio's hogere a waarden vertonen dan benigne klieren, er significante overlap is (AUROC van 0,913 voor een kleur-alleen classifier). Dit bevestigt dat kleur alleen onvoldoende is voor differentiatie en onderstreept de noodzaak van expert morfologische annotaties.
Erkende Beperkingen: De auteurs merken op dat de data single-center zijn (Santander, Spanje), wat de generaliseerbaarheid naar andere scanners of kleurprotocollen kan beperken. De klasse-imbalans vormt een uitdaging voor supervised learning. Daarnaast is het gebrek aan gegarandeerde pixel-perfecte registratie tussen seriële secties een bekende beperking voor taken die strikte geometrische uitlijning vereisen.

Betekenis
Het artikel positioneert PRECISE als een cruciale bron voor de vooruitgang van computationele pathologie van eenvoudige tumordetectie naar uitgebreide micro-omgevingsanalyse. Door een multimodale benchmark te bieden die ook zeldzame precursor-laesies en mimics bevat, heeft de dataset als doel:

De ontwikkeling van AI-algoritmen te faciliteren die kunnen assisteren bij routinematige klinische screening en diagnostische discrepantie kunnen verminderen.
Onderzoek naar self-supervised learning en cross-modale translatie (bijv. het genereren van IHC-surrogaten vanuit H&E) mogelijk te maken.
Het ondersteunen van de creatie van robuuste modellen die de complexiteit van de twee-fasen diagnostische workflow die in de echte wereld wordt gebruikt, kunnen aan.

De auteurs benadrukken dat hoewel de dataset reproduceerbaar onderzoek ondersteunt, modellen getraind op deze data een rigoureuze externe validatie op diverse, multicenter cohorten vereisen voordat klinische inzet mogelijk is. De bron is bedoeld om toegang tot hoogwaardige data te democratiseren en de paradigmaverschuiving naar meer genuanceerde, multi-class diagnostische AI te ondersteunen.

Meer zoals dit