研究撷英丨MyoPath：定量分析肌肉病理开源工具

type

Post

status

Published

date

Oct 8, 2026

slug

myopath-muscle-biopsy-morphometry

summary

研究将预训练深度学习模型与传统图像分析方法结合，从常规苏木精–伊红（H&E）染色切片中提取肌纤维、脂肪、细胞核及结缔组织四层信息，通过AI进行病理定量分析的方法学探索。

从“看见变化”到“测量变化”

图1｜MyoPath 的分析流程。由常规 H&E 图像进入多层组织分析，再从 37 项形态特征归纳七项病理指标。细胞核测量与组织区域存在空间重叠，不能将四层面积直接相加。

肌肉活检能够呈现肌纤维层面深度的病理改变，对于相对疑难的神经肌肉病诊断是重要的诊断依据。但目前人工阅片，报告的“轻度大小不等”“偶见中央核”“中度脂肪替代”等描述，往往难以直接用于样本之间的精细比较。对临床研究而言，除了识别病变，还需要知道变化发生在哪里、幅度有多大，以及不同样本是否可以用同一套方法衡量。

MyoPath 围绕这一需求，在开源数字病理软件 QuPath 中建立插件。研究者首先在全切片图像上选取 1,500 × 1,500 μm 的横断面感兴趣区域（ROI），随后分别完成肌纤维实例分割、脂肪识别与细胞核检测，并通过面积扣除估算剩余的结缔组织区域。其中，肌纤维分割使用 Cellpose-SAM 预训练模型，；脂肪和细胞核分析则采用像素分类与分水岭等方法。论文所用条件下，单个 ROI 在单 GPU 上处理约需 5 分钟，普通CPU约需半小时。

基于这些结果，MyoPath 为每份样本提取 37 项形态学特征，并用七项具有病理学含义的指标进行概括：核中央化指数、肌纤维大小变异系数、肌纤维形状规则性、脂肪浸润比例、结缔组织比例、肌纤维内核数与纤维数之比，以及间质细胞核密度。

Indicator	Normal Range	What it measures
Nuclear Centralization Index (NCI)	< 0.03	Nuclei migrating to fiber center
Fiber Size Variability (CV)	< 0.25	Size heterogeneity
Fiber Shape Regularity	> 0.7	Shape abnormality
Fat Infiltration	< 5%	Fat tissue percentage
Fibrosis	< 10%	Connective tissue percentage
Nuclear/Muscle Ratio	1–3	Nuclei inside muscle fibers
Inflammatory Infiltration	< 2,000/mm²	Nuclear density in connective tissue

这里的结缔组织比例是纤维化的替代测量，可能受到组织空隙和分割误差影响；流程中标为“炎症浸润”的指标实际测量间质细胞核密度，仅凭 H&E 图像不能据此确认细胞类型。

双队列比较：在差异中检验量化指标

图2｜MyoPath 的37项病理定量特征。HuashanMuscle队列为异戊烷+液氮冻存肌肉病理标本，GTEx为福尔马林+石蜡保存肌肉病理标本。

本研究共分析 478 张 H&E 图像，覆盖临床冷冻肌肉活检与尸检石蜡组织两种不同场景。

HuashanMuscle 队列纳入 79 例肌肉活检，包括 28 例1型强直性肌营养不良（DM1）、12 例 CAPN3 相关肢带型肌营养不良（LGMDR1）、22 例 DYSF 相关肢带型肌营养不良（LGMDR2），以及17例组织病理正常的对照。肌病患者均具有遗传学诊断；对照为疑似神经肌肉疾病接受活检，但是病理正常的肌肉标本，并非健康志愿者。

GTEx 队列纳入 399 例适合横断面分析的尸检骨骼肌样本，分为健康状态组107例、一般疾病组223例和消耗状态组69例。这一分组依据公开的自愿提供者的病史资料建立，属于健康状态的代理分层，不能等同于临床肌病诊断。

在华山冷冻切片的人工标注验证中，肌纤维、脂肪、细胞核和结缔组织的 Dice 系数分别为 0.92、0.95、0.87 和 0.88。这些结果来自10份样本的30个标注 ROI，反映该验证范围内的分割重叠程度；GTEx 石蜡组织未进行同样的人工标注精度验证。

核的位置与纤维大小：跨队列表现较一致的病理指标

在七项指标中，核中央化指数（NCI）和肌纤维大小变异系数（fibre CV）表现出较一致的跨队列非健康特征区分能力。

NCI 将肌纤维内细胞核的位置转化为连续数值，保留细胞核由周边向内部移动的程度信息；fibre CV 以肌纤维横截面积的标准差除以均值，反映肌纤维大小的离散程度。

在 HuashanMuscle 队列中，肌病组的 NCI 中位数为 0.077，高于对照组的 0.049；fibre CV 中位数分别为 0.522 和 0.369。两项指标区分肌病与对照的 ROC 曲线下面积（AUC）分别为 0.85 和 0.79。

在 GTEx 队列中，NCI 与 fibre CV 区分健康状态组和消耗状态组的 AUC 均约为 0.74，年龄与性别调整后的关联变化较小。它们也是七项指标中仅有的、在两个队列里 AUC 均超过0.70的指标。

这一发现提示，传统阅片中熟悉的核位置与纤维大小变化，能够成为具有明确形态学含义的量化信息。不过，不同指标的作用仍依赖实际的研究场景。例如，脂肪与结缔组织比例在两个队列中的区分表现存在差异，局部 ROI 的脂肪估计与整份标本的估计也未必一致。而且容易受到ROI的人为选择影响。

图3｜七项病理指标在不同组别中的分布。NCI 与 fibre CV 在华山肌病组及 GTEx 消耗状态组中升高，体现出较一致的跨场景表现。GTEx 分组为代理分层。

综合病理评分评估肌肉是否健康

研究进一步将七项指标组合为 MyoPath Score。模型在 GTEx 健康状态组与消耗状态组的176份样本中建立，随后固定参数，直接应用于 HuashanMuscle 队列，未重新训练。

综合模型在 GTEx 开发数据中的 AUC 为 0.788（95%置信区间：0.71–0.85），留一交叉验证 AUC 为 0.735；迁移至华山临床活检队列后，AUC 为 0.873（95%置信区间：0.78–0.94）。这说明模型在组织制备、疾病构成与对照定义均有差异的条件下，仍保留了区分组别的能力。

但区分能力与概率校准是不同的问题。在华山队列中，模型平均预测概率为 0.49，而该研究样本中肌病病例占比为 0.79，两者并不匹配；这一病例占比也不代表人群患病率。因此，现阶段不能把 MyoPath Score 直接解释为患者的患病概率、临床严重程度或治疗反应。其绝对分值的应用，需要在目标人群中重新评估校准，并与独立临床终点验证。华山队列的AUC高于GTEx是因为华山队列有更多的肌肉病患者（理论上更严重的肌肉），首尾差距更大；GTEx的比较更接近消耗性疾病和正常人的比较。

图4｜综合模型的开发与迁移。模型在 GTEx 中建立后，以固定参数应用于 HuashanMuscle；图中 AUC 表示组别区分能力。评分与临床严重程度之间的关系仍待验证。

开放工具与数据，推动可复现的肌肉病理研究

MyoPath 的价值，在于把熟悉的病理形态转化为可以追溯、比较和复核的测量结果，并且以数学公式的方法加以统一。研究团队已通过 GitHub 代码仓库提供 QuPath 脚本、Python 分析流程和相关分类器，并在 MyoToolkit 下载页汇集图像与数据资源入口，便于同行开展方法复现及进一步验证。

研究仍有明确的适用边界：华山队列来自单中心；每张切片由单一操作者选取一个 ROI，未对诊断或队列进行正式盲法；分割精度验证限于冷冻切片。DM1 的探索性临床相关分析在多重比较校正后未保持显著，也尚无独立临床严重程度终点用于验证综合评分。

在此基础上，系统性多 ROI 或全切片取样、多中心验证，以及与肌力、功能量表和纵向结局的联合研究，将有助于判断这些指标能否进一步服务于疾病评估和疗效观察。从常规切片中获得稳定、可解释的量化信息，是本研究迈出的重要一步。

数据及代码下载

Myotoolkit项目介绍：MyoToolkitMyoToolkit | Computational Toolkit for Skeletal Muscle Research
MyoToolkit | Computational Toolkit for Skeletal Muscle Research
A computational toolkit for skeletal muscle research — integrating transcriptomics scoring, pathology analysis, and MRI segmentation
MyoToolkit

WSI及ROI数据下载：MyoToolkitMyoToolkit | Computational Toolkit for Skeletal Muscle Research
MyoToolkit | Computational Toolkit for Skeletal Muscle Research
A computational toolkit for skeletal muscle research — integrating transcriptomics scoring, pathology analysis, and MRI segmentation
MyoToolkit

分析代码：

论文信息： Zhong H, Gao M, Ma S, et al. MyoPath: A deep learning pipeline for objective morphometric assessment of skeletal muscle biopsies. Journal of Pathology Informatics. 2026. DOI: 10.1016/j.jpi.2026.100747。

撰文：衷画画/高名士/马尚

审核：罗苏珊