肾脏病理学基础模型综合基准测试：技术总结

1. 研究背景与问题 (Problem)

背景：
组织病理学基础模型（Histopathology Foundation Models, HFMs）是在大规模癌症数据集上训练的视觉 Transformer 模型，已在数字病理领域取得显著进展。然而，这些模型在**非癌症性慢性肾脏病（CKD）**中的适用性尚未得到充分探索。

核心问题：

1. 领域迁移性未知： 肾脏病理常与肾细胞癌（RCC）和尿路上皮癌（UC）共存，但 HFMs 在癌症数据上的预训练是否足以捕捉 CKD 的形态学特征尚不清楚。
2. 多染色协议挑战： 肾脏病理诊断依赖多种染色（如 PAS, PASM, H&E, IHC）来显示肾单位的不同结构。现有的 HFMs 大多基于 H&E 染色训练，其在跨染色（Cross-stain）场景下的泛化能力（即是否真正学到了组织形态而非颜色分布）缺乏系统性评估。
3. 细粒度与预后任务困难： 现有基准测试多集中于癌症分类，缺乏对肾脏微观结构（如 GBM 钉突、肾小管损伤）及预后指标（如 eGFR 下降、治疗反应）的评估。

2. 方法论 (Methodology)

2.1 评估对象

研究评估了 11 种 公开可用的 HFMs，这些模型均在超过 10 万张全切片图像（WSIs）上进行了预训练，涵盖了不同的架构（ViT-G/B/L/H）、数据集规模和自监督学习策略（主要是 DINO/DINOv2）。

• 模型列表： UNI, UNI2-h, Virchow, Virchow2, H-optimus-0/1, Hibou-B/L, SP22M, SP85M, Prov-Gigapath。

2.2 任务设计

研究设计了 11 个 肾脏特异性下游任务，分为两个层级：

A. 瓦片级任务 (Tile-level Tasks) - 7 个
旨在评估模型对局部组织形态的识别能力：

• 分类任务：
  • 全球性 vs. 非全球性硬化肾小球（PAS 染色）。
  • GBM 钉突 vs. 无钉突（PASM 染色）。
  • 参考 vs. 异常肾小管（H&E 染色，基于空间转录组标签）。
  • 炎症 vs. 非炎症区域（H&E 染色，基于 CD45-IHC 对齐）。
  • 动脉狭窄程度分类（轻度/中度/重度，PAS 染色）。
• 回归任务：
  • 细胞类型比例估计（基于 H&E 和 Visium 空间转录组数据，16 种细胞类型）。
• 鲁棒性任务：
  • 复制检测（Copy Detection）：评估模型对几何变换、颜色调整、噪声和弹性变形的不变性。

B. 切片级任务 (Slide-level Tasks) - 4 个
旨在评估模型整合全局上下文以预测临床结局的能力（使用注意力机制多实例学习 ABMIL）：

• 分类任务：
  • 糖尿病肾病（DN）vs. 参考组织（PAS 染色）。
  • 膜性肾病（MN）治疗反应预测（响应者 vs. 无响应者，PAS 染色）。
  • 肾移植后 eGFR 下降预测（1-3 年，PAS 染色）。
• 回归任务：
  • 肾移植后 1 年 eGFR 预测（PAS 染色）。

2.3 评估框架与统计方法

• 验证策略：
  • 瓦片级： 重复分层组 K 折交叉验证（Repeated Stratified Group K-fold），防止同一患者的瓦片泄露到训练和测试集。
  • 切片级： 重复嵌套分层 K 折交叉验证（Repeated Nested Stratified K-fold），包含超参数优化（学习率、注意力层维度等）。
• 统计显著性分析：
  • 使用 Friedman 检验 检测模型间整体性能差异。
  • 使用 Wilcoxon 符号秩检验 配合 Holm-Bonferroni 校正 进行成对比较。
  • 使用 紧凑字母显示（CLD） 进行可视化排序。
• 开源工具： 发布了 Python 包 kidney-hfm-eval 以复现评估流程。

3. 关键贡献 (Key Contributions)

1. 首个肾脏特异性综合基准： 系统评估了 11 种 HFMs 在 11 个肾脏任务上的表现，覆盖了多种染色协议（H&E, PAS, PASM, IHC）和任务类型（分类、回归、检测）。
2. 严谨的统计评估框架： 建立了包含重复嵌套交叉验证和严格后验统计分析（Friedman + Wilcoxon + CLD）的基准流程，解决了以往研究中缺乏统计显著性验证的问题。
3. 揭示模型局限性： 明确了当前 HFMs 在粗粒度形态学任务上的优势，以及在细粒度微观结构、分子信息推断和预后任务上的显著不足。
4. 开源复现工具： 提供了标准化的评估代码库，促进肾脏病理 AI 研究的可重复性和标准化。

4. 主要结果 (Results)

4.1 瓦片级任务表现

• 表现优异（粗粒度形态）： 在肾小球硬化（Global Sclerosis）和炎症分类任务中，HFMs 表现强劲（中位 MCC > 0.90 和 0.47）。这表明模型能有效捕捉明显的结构变化和细胞聚集特征，且具有良好的跨染色泛化能力（H&E 预训练模型在 PAS/PASM 上表现良好）。
• 表现中等（细微结构）： 在GBM 钉突检测和动脉狭窄分类中，性能下降至中等水平（MCC 0.13 - 0.39）。这表明细微的基底膜改变和血管病变难以被通用模型捕捉。
• 表现极差（分子/细胞状态）： 在异常肾小管分类（基于分子标签）和细胞类型比例估计任务中，模型表现接近随机或相关性极低（PCC < 0.37）。这证明仅靠形态学特征无法推断分子状态或细胞亚型。
• 鲁棒性： 模型对几何变形、颜色变化和弹性变形表现出极高的不变性（Top-1 准确率接近 1.0），但在噪声扰动下表现差异较大。

4.2 切片级任务表现

• 诊断任务成功： 在区分糖尿病肾病（DN）与正常组织的任务中，HFMs 表现近乎完美（中位 MCC ≈ 1.0），证明其能捕捉疾病定义的宏观形态特征。
• 预后与功能预测失败： 在治疗反应预测（MN）、eGFR 下降预测及eGFR 数值回归任务中，所有模型均表现不佳（MCC 接近 0 或负值，R² 为负）。这表明当前的静态形态学嵌入无法捕捉决定肾功能衰退和治疗反应的动态生物学过程。

4.3 总体趋势

• 任务复杂度与性能成反比： 随着任务从“粗粒度形态识别”向“细粒度微观结构”和“复杂预后推断”转变，HFMs 的性能显著下降，且与染色类型无关。
• 跨染色泛化： 尽管主要在 H&E 上训练，模型在 PAS 和 PASM 任务上仍表现出一定的迁移能力，说明其学习到了部分形态学不变特征。

5. 意义与结论 (Significance & Conclusion)

5.1 科学意义

• 验证了形态学特征的局限性： 研究证实，虽然 HFMs 能很好地编码静态的中尺度结构特征（如肾小球、炎症灶），但它们缺乏捕捉细微微观结构（如 GBM 钉突）和转录组/分子信息的能力。
• 揭示了预训练数据的偏差： 基于癌症数据的预训练虽然包含部分肾脏形态，但不足以覆盖 CKD 复杂的分子病理机制和预后信号。
• 自监督学习的边界： DINO 等自监督策略虽然赋予了模型染色不变性，但不足以解决信号可用性（如小样本预后数据）和建模复杂性（弱监督预后任务）的问题。

5.2 临床启示

• 当前 HFMs 的适用性： 目前的基础模型仅适用于粗粒度的诊断筛查（如区分 DN 与正常、识别明显硬化），尚不能直接用于指导临床决策（如预测治疗反应、评估预后或发现生物标志物）。
• 未来方向：
  • 需要开发肾脏特异性的基础模型。
  • 需要多染色（Multi-stain）和多模态（Multi-modal，整合临床文本、组学数据）的基础模型。
  • 未来的模型需专门针对肾脏的微观结构和动态病理过程进行优化，以支持可靠的临床决策。

总结： 该研究通过严格的基准测试，为肾脏病理学 AI 的发展提供了重要的路线图：通用 HFMs 是良好的起点，但要实现真正的临床转化，必须解决其在细粒度特征和预后推断上的根本性不足。