综述：受生物学启发的数字组织学技术，用于深入分析不同类型胎盘损伤中胎盘成分的变化

《Placenta》：Biologically inspired digital histology for deep phenotyping of placental composition changes across major lesion types

　　艾玛·克莱尔·沃克（Emma Clare Walker）| 克劳迪娅·瓦内亚（Claudia Vanea）| 凯伦·梅尔（Karen Meir）| 德罗里思·霍赫纳-塞尔尼克（Drorith Hochner-Celnikier）| 哈吉特·霍赫纳（Hagit Hochner）| 特里因·莱斯克（Triin Laisk）| 塞西莉亚·林德格伦（Cecilia Lindgren）| 克雷格·A·格拉斯顿伯里（Craig A. Glastonbury）| 林达·M·恩斯特（Linda M. Ernst）| 克里斯托弗·内拉克（Christoffer Nellaker）
牛津大学纳菲尔德妇女与生殖健康系，英国牛津

**摘要**
**背景**：胎盘组织病理学为了解母体和胎儿的健康状况提供了重要见解，然而该器官的空间异质性给客观和可重复的组织学分析带来了重大挑战。由于手动评估的规模和主观性限制，对胎盘切片中的细胞和结构组成进行系统评估仍然十分有限。因此，需要定量方法来表征胎盘对损伤的反应，而不仅仅是视觉上可见的病变。

**方法**：
我们应用了Histology Analysis Pipeline.PY（HAPPY），这是一种基于生物学的层次化深度学习框架，用于对苏木精-伊红（H&E）染色切片进行单细胞分辨率的定量分析。研究使用了来自62例单胎足月活产婴儿的130张胎盘实质切片。数据集包括健康的正常对照样本以及四种常见的胎盘病变类型：梗死、绒毛周围纤维蛋白沉积、无血管绒毛和绒毛间血栓形成。我们量化了细胞类型和组织结构组成，并利用组成数据分析方法评估了切片与健康参考状态的偏差。

**结果**：
与健康对照样本相比，有病变的胎盘切片在细胞组成上存在显著差异，表现为绒毛外滋养层细胞和白细胞密度增加，而霍夫鲍尔细胞密度减少。这些细胞变化伴随着组织层面的改变，特别是纤维蛋白沉积增加和绒毛结构的变化。病变大小的增加会导致组成偏差的增加，但其他类型的病变则不会导致这种变化。值得注意的是，在没有明显病变的切片中也能检测到组成差异，这表明病变的影响可能波及整个胎盘组织。

**结论**：
定量深度表型分析揭示了与胎盘病变相关的广泛细胞和结构变化，其中一些变化在常规组织学检查中并不明显。这些发现表明，基于人工智能的数字组织学技术有可能在研究和临床环境中补充传统的胎盘病理学方法。

**1. 引言**
胎盘是一个复杂的动态器官，在妊娠期间充当母体与胎儿之间的界面。这一临时性器官促进了必要的生理过程，包括营养物质和废物的交换、气体交换以及母体与胎儿之间的免疫调节。胎盘的细胞和结构组成在整个妊娠期间会发生变化，以适应胎儿的生长需求[1]，而结构异常会显著影响胎儿发育和妊娠结局[2],[3]。病理变化表现为胎盘病变，这些病变与母体和胎儿的健康状况相关，并且是未来妊娠风险的重要指标[4],[5],[6]。病变常常同时发生，多发性病变比单一孤立病变与更不良的妊娠结局相关[7],[8],[9]。尽管胎盘病理学在诊断异常方面具有临床重要性，但其在常规临床实践中的应用仍受到诸多限制。最近的综述指出了关键障碍，包括对组织学发现的描述存在变异性、围产期病理学家短缺以及对胎盘状况的临床理解不足[10]。许多临床系统没有能力评估所有符合转诊标准的胎盘[11]。即使进行了检查，组织学发现和报告也存在较高的观察者间差异[12],[13]。阿姆斯特丹研讨会统一了胎盘病理学标准，并为四种主要的胎盘损伤模式建立了术语[14],[15]，但在具体诊断标准及如何结合组织学发现进行分类方面仍存在不确定性[13]。因此，将病理发现转化为可操作的临床见解仍然具有挑战性。

**2. 方法**
**2.1. 数据集**
我们回顾性分析了来自三家机构的胎盘组织学切片。数据集包括2016年至2017年间从以色列哈达萨医学中心（HMC）收集的230名患者的740张胎盘H&E切片及其相关病理报告；2016年至2020年间从爱沙尼亚塔尔图大学（UoT）收集的41名患者的159张切片及其相关病理报告；以及2021年至2022年间从美国Endeavor Health收集的22名患者的22张切片，这些患者的胎盘在组织学上正常但无相关病理报告。HMC和UoT的胎盘病理学检查主要针对复杂妊娠病例，因此这些机构提供的正常胎盘样本较少。Endeavor Health的切片是专门从简单妊娠病例中收集的，并经检查确认为组织学正常。
我们的纳入标准是：切片上包含感兴趣的病变（无论是单个还是多个），或者所有切片均来自简单妊娠且妊娠周数≥37周。我们排除了非实质性的切片、非单胎妊娠的切片以及质量控制不合格的切片。最终的全期实质切片数据集包括来自62名患者的130张切片（UoT：3个胎盘的8张切片；HMC：40个胎盘的103张切片；EH：19个胎盘的19张切片）。

**2.2. 组织学制备和数字成像**
组织学切片的制备采用了标准的福尔马林固定、石蜡包埋和H&E染色程序。根据临床指南，采集了包括绒毛膜板和基底层板在内的全层样本，并制作了5μm厚的切片。切片使用Hamamatsu XR、3D HISTECH PANNORAMIC 250 Flash III或Aperio GT 450扫描仪在40倍放大倍率下进行扫描和数字化。

**2.3. 病理注释**
LE、CV和ECW专门为这项研究进行了切片特定的注释，以确定哪些切片包含病变（梗死、绒毛周围纤维蛋白沉积、无血管绒毛或绒毛间血栓形成），以及哪些切片在组织学上是正常的。我们定义健康对照切片为来自简单妊娠且在检查中组织学正常的切片。我们将“无明显病变”定义为来自其他切片显示病变但该切片本身组织学正常的切片（根据既定标准未发现可分类的病变[14]）。每张切片至少由两名注释者审核；由于争议由资深病理学家LE解决，因此未计算正式的观察者间一致性统计。LE和ECW使用分组百分比估计（0%、<10%、11?20%、21?30%、31?40%、41?50%、51?60%、61?70%、81?90%、>90%）来估计病变覆盖情况。

**2.4. 模型概述**
我们使用了之前发布的HAPPY模型（Histology Analysis Pipeline.PY），该模型经过训练可用于胎盘实质分析[20]，并结合了使用MEGA框架更新的图模型进行组织分类[21]。HAPPY是一个三阶段的图像分析深度学习流程，用于分析组织学图像，具有生物学层次结构：(1) 核定位的对象检测模型（F1分数0.89）；(2) 细胞分类的图像分类模型（总体准确率84.29%）；(3) 用于组织分类的图神经网络（GNN）（总体准确率68.56%；前20%准确率90.53%）（见图1a）。该模型允许我们在整个切片图像（WSI）中构建空间信息丰富的细胞图谱。细胞被分类为11种类型：合胞滋养层细胞、细胞滋养层细胞、合胞结节、绒毛外滋养层细胞、成纤维细胞、霍夫鲍尔细胞、血管内皮细胞、血管平滑肌细胞、未分化间充质细胞、母体蜕膜细胞和白细胞。这些细胞进一步被分类为9种组织结构：五种绒毛类型（干细胞、锚定绒毛、成熟中间绒毛、末端绒毛、绒毛芽）、绒毛膜板、基底板/隔膜、纤维蛋白和无血管绒毛。为了提高跨机构的通用性，我们对图像进行了染色增强和颜色标准化处理，并在组织分类前进行了细胞级特征标准化（MEGA）。详细信息见补充部分1。所有计算分析均使用Python 3.11完成，推理在NVIDIA A100 GPU上进行。

**2.5. 数据处理**
我们提取了每张切片的细胞坐标、细胞类型和结构预测。通过将切片划分为不重叠的区域并汇总至少包含一个细胞预测的区域面积来计算组织面积，同时排除了背景区域。细胞和结构分布以比例（百分比组成）和密度（细胞/平方毫米）的形式表示，并对像素尺寸（0.1109微米/像素）和组织面积测量进行了标准化。

**2.6. 质量控制**
我们在整个工作流程中实施了多项质量控制措施。首先，我们移除了扫描质量较差的切片，包括通过手动检查发现具有扫描伪影（如重复区域）的切片。其次，我们排除了所有被分类为绒毛膜板或基底板的细胞，以专注于实质区域并控制机构间的采样差异。第三，根据Aitchison距离测试（见下文），我们移除了与健康对照相比分布差异较大的异常切片，这些切片在手动检查中存在扫描伪影或处理错误。这些质量控制步骤导致最终数据集中排除了5张切片。

**2.7. 统计分析**
我们使用了多种统计方法进行统计分析：使用Aitchison距离量化组成差异（见补充部分2.1），Kolmogorov–Smirnov（KS）检验用于评估不同切片组之间的Aitchison距离分布差异，Mann–Whitney U检验用于分析单个细胞类型和组织结构密度的差异。计算Spearman相关系数以评估病变覆盖情况与组成差异之间的关系，以及同一患者有病变和无病变切片之间的平均Aitchison距离差异。局部自相关和热图用于可视化细胞和结构的空间分布（见补充部分2.2）。在比较不同类型病变之间的组成差异时，具有多个病变的切片被视为一类。在分析单个细胞类型和结构密度变化时，切片归属于包含相应病变的病变类别。因此，所有比较都是针对健康对照组进行的，而不是病变类别之间的比较。在适当的情况下应用了Bonferroni多重检验校正。

**3. 结果**
我们的数据集包含来自三家机构的130张足月胎盘实质WSI切片（每名患者平均2.10±1.02张切片，范围：1?5张）。这些切片包括来自简单妊娠且胎盘组织学正常的对照样本（n=19张）、存在病变的样本（n=95张），以及来自其他部位有病变但该切片在组织学上正常的样本（n=16张）。补充图1总结了选择标准。所有妊娠都导致了单胎活产。患者特征在补充表1中进行了总结。我们使用HAPPY从数据集中提取定量细胞和组织结构指标。该流程如图1a所示，通过一个三阶段的生物启发式分层方法来处理WSIs，包括细胞核检测、细胞分类和基于图的组织结构分类。在我们的切片中，我们识别出了165,327,306个细胞核（每个切片平均1,132,379±425,906个，范围：368,659–2,622,614个），将细胞分类为11种类型，并将组织结构分为9个类别。应用HAPPY后，每个细胞核都有一个相应的细胞类型和结构预测，我们据此计算密度测量值和相关组成。我们在图1b中展示了一个健康切片的示例输出，可视化了检测到的细胞核、分类的细胞和结构。图1c显示，细胞类型和结构组成与健康足月胎盘的生物学预期一致。我们观察到合胞滋养层是主要的细胞类型，而细胞滋养层相对较少，末端绒毛的组织结构密度最高，无血管绒毛的数量可以忽略不计。

3.2. 含有病变的切片的组成差异
我们首先检查了包含四种主要胎盘病变类型的切片（图2a）：梗死（n=34）、绒毛周围纤维蛋白（n=45）、绒毛间血栓（IVT）（n=37）和无血管绒毛（n=15），并将这些切片与组织病理学上正常的对照切片（n=19）进行比较，重点关注实质区域以减少采样偏差（图2b）。切片可能有多个病变（单个病变n=64，多个病变n=31），这被定义为组成分析的一个单独类别。病变类型的共现情况在补充图2和补充表2中显示。当我们考虑包含任何四种病变类型的切片的平均细胞类型和结构组成时，健康切片与有病变切片的整体组成存在差异（图2c和图2d）。尽管这些病变通常只占切片的一小部分，但在整个切片的平均组成水平上仍然可以检测到这些变化。

下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像

图2. (a) 四种感兴趣的病变的典型组织学片段：梗死、绒毛周围纤维蛋白沉积、绒毛间血栓和无血管绒毛。(b) 健康足月胎盘的H&E图像，显示绒毛膜板、实质和基板。(c-d) 从健康切片和有病变切片中提取的平均细胞类型（c）和结构（d）组成。(e) 每个切片的Aitchison距离分布，量化与健康参考组成的偏差。切片按病变类型着色，具有显著细胞（黄色）、结构（蓝色）或两者都有（粉色）组成差异的区域被标示。(f) 有病变切片的H&E图像，显示最小（左图；小范围局部梗死）和最大（右图；整个切片完全梗死）的Aitchison距离。(g-h) 每种病变组的细胞类型（g）和结构（h）组成的累积分布函数，所有都与健康对照组显著不同（Kolmogorov–Smirnov检验，p<0.001)。(i-j) 估计的病变覆盖范围与细胞（i）和结构（j）相关性之间的相关性，附有趋势线和95%置信区间。

我们使用Aitchison距离来定义每个切片与健康参考组成的差异（见补充部分2.1）。这量化了细胞类型或结构组成每个组分相对于健康组成的变化倍数。这种方法识别出了一些极端异常值，经过进一步手动检查后确定这些是技术伪影，因此有5个切片被从进一步分析中移除。所有对照切片都落在自举显著性阈值范围内，然而观察到的切片内组成差异大于整个切片测试中的差异（补充图3），这反映了空间异质性和小型健康参考集的限制。尽管健康组织内部存在生物学变异，我们仍检测到超出预期健康范围的病变切片（图2e）；73.7%的切片具有显著不同的细胞类型组成，25.3%的切片具有显著不同的结构组成，所有结构上显著的切片也显示出显著的细胞差异。我们发现，有梗死的切片具有最广泛的组成差异（38.9%的梗死切片同时超过细胞和结构显著性阈值，72.2%的切片在细胞类型组成上有显著差异，38.9%的切片在结构组成上有显著差异）。相比之下，有IVT的切片显示出对切片上存在的结构的组成变化最为受限，表明IVT可能不会引起超出病变范围的结构重塑（5.56%的切片同时超过两个阈值（误差条与5%的假阳性率重叠），77.8%的细胞类型组成，5.56%的结构组成）。我们在补充图4中提供了带有误差带的详细结果。

为了了解有病变的切片组与健康切片相比是否有显著的组成差异，我们比较了有病变切片组和健康对照组的Aitchison距离值的累积分布函数（CDF），使用KS检验进行测试（图2g-h）。所有病变类型的细胞类型组成都与健康对照组显著不同（p<0.001）。分析结构组成时，我们发现有梗死的切片（p<0.001）和绒毛周围纤维蛋白的切片（p<0.01）显示出显著偏差，而无血管绒毛和IVT的切片的Aitchison距离分布与健康对照组没有显著差异。为了测试批次效应是否导致了观察到的变化，我们对有梗死的切片进行了子分析，以了解Aitchison指标是否在不同部位之间有所不同。由于两个部位的值聚集在一起，我们得出结论批次效应不是导致变化的原因（补充图6）。

接下来，我们手动估计了病变覆盖切片的比例，并将其与Aitchison距离进行比较，以查看病变的大小是否与切片的细胞或结构组成差异相关（图2i,j）。对于有梗死的切片，我们发现病变的大小与Aitchison距离之间存在显著相关性（Spearman等级系数，r=0.61，p<0.05）。值得注意的是，细胞组成的差异似乎与梗死的大小呈剂量-反应关系，尽管我们没有检测到结构组成的显著变化（r=0.42，p=0.41）。有绒毛周围纤维蛋白、IVT或多个病变类型的切片在细胞或结构组成偏差与估计的病变覆盖面积之间没有显著相关性（绒毛周围纤维蛋白，细胞：r=0.48，p=0.11；结构：r=0.33，p=0.64；IVT，细胞：r=?0.016，p=1.0；结构：r=?0.078，p=1.0；多种病变类型，细胞：r=0.34，p=0.33；结构：r=0.32，p=0.40）。我们没有测量无血管绒毛的切片的相关性，因为其覆盖面积不到10%。对单个切片的进一步检查也支持了这一模式（图2f）。我们展示了具有最大和最小Aitchison得分的病变切片。这两个切片都有梗死，但细胞类型和结构组成差异最大的切片主要由梗死覆盖。相反，组合得分最小的切片有一个新的小范围梗死。

3.3. 深度表型分析表明，在病变不明显的切片中也存在组成差异
为了研究病变是否会引起超出视觉影响区域的整个胎盘的组成变化，我们分析了同一患者（n=13名患者）中既包含组织病理学上正常（“无明显病变”）也包含病变的切片（图3a）。即使在病理学家确定没有明显病变的切片中，我们也检测到了细胞类型和结构的组成变化（图3b,c）。在“无明显病变”的切片中，60%的切片与健康对照切片的细胞组成有显著差异，13.3%的切片（误差条与5%的假阳性阈值重叠）的结构组成也有显著差异（图3d）。我们在补充图5中提供了带有误差带的详细结果。

我们考虑了健康对照组、“无明显病变”切片以及有病变切片的Aitchison距离的CDF，以评估病变的存在如何影响组成分布（图3f,g）。我们发现，“无明显病变”切片的细胞类型组成和结构组成的CDF都与健康对照组显著不同（KS检验，p<0.001）。检查图3e中组织病理学上正常的切片，即使对于普通或专家人类观察者来说也没有可识别的异常。相反，对于结构方面的例子，该切片看起来异常，但不包含可分类的病变。值得注意的是，存在大量的干细胞绒毛，这导致该切片的Aitchison结构距离升高，突显了在胎盘切片中表征正常组织变异的挑战。

下载：下载高分辨率图像（651KB）
下载：下载全尺寸图像

图3. (a) 健康对照胎盘和有病变胎盘的采样区域示意图，显示没有明显病变的切片和有病变的切片。(b-c) 这些组别的平均预测细胞类型（b）和结构（c）组成。(d) 每个切片的Aitchison距离分布，量化与健康参考组成的偏差。切片按切片类型着色，具有显著细胞（黄色）、结构（蓝色）或两者都有（粉色）组成差异的区域被标示。(e) 没有明显病变切片的H&E图像，显示细胞组成的最高Aitchison距离（左图；外观上组织学正常）和结构组成的最高距离（右图；外观异常但无明显病变的切片）。(f-g) 每种病变组的细胞类型（f）和结构（g）组成的累积分布函数，所有都与健康对照组显著不同（Kolmogorov–Smirnov（KS）检验，p<0.001）。(h–i) 胎盘内的相关性：每个点代表一名患者，显示他们在没有明显病变的切片和有病变的切片上的平均Aitchison距离之间的关系，对于细胞（h）和结构（i）组成，附有趋势线和95%置信区间。

接下来，我们试图确定同一胎盘内切片的组成之间是否存在相关性（图3h, i）。我们发现，同一胎盘内有病变的切片和没有病变的切片的平均Aitchison距离有显著相关性（Spearman等级系数，r = 0.84，p<0.001）。同样，我们也发现个体胎盘内的结构组成有显著相关性（Spearman等级系数，r = 0.87，p<0.001）。这些发现可以解释为当存在病变时，整个胎盘的系统性反应。或者，这种相关性可能反映了某些胎盘易于发生病变的固有患者特异性组成特征。

3.4. 驱动组成变化的特定细胞和结构密度变化
为了了解是什么驱动了组成差异，我们根据存在的病变类型对切片进行分组，并识别出在受伤后表现出一致模式的几个关键细胞群体。我们发现这些变化与我们对胎盘生物学的当前理解相符，并提出了一些值得注意的发现（图4）。白细胞密度在所有病变类型中显著增加（Cohen’s d = 0.83–1.37），包括在病变不存在的切片中（Cohen’s d = 1.10，p<0.01）（图4a）。Hofbauer细胞的模式相反，在所有病变类型中显著减少（Cohen’s d = ?1.93至?2.55），而在“无明显病变”的切片中与健康对照组相比显著减少（Cohen’s d = ?1.83，p<0.001）（图4b）。绒毛外滋养层（EVT）密度在所有病变类型中都显著增加，与健康对照组相比（Cohen’s d = 1.00–1.55）。EVT密度在“无明显病变”的切片中显著高于对照组（Cohen’s d = 0.57，p<0.01），并且在“有病变”的切片中进一步增加（Cohen’s d = 1.07，p<0.001）以及“无明显病变”的切片中（p<0.01）（图4c）。除了IVT外，合胞结节密度没有显著变化（Cohen’s = ?0.72）。虽然预期在氧化应激下会增加，但在这里没有观察到这种情况，可能是因为将合胞结节计数为实例而不是量化大小或范围。我们在补充图7, 8中提供了完整的细胞分析，并在补充表3, 4中提供了效应大小。

下载：下载高分辨率图像（855KB）
下载：下载全尺寸图像

图4. 驱动胎盘组成变化的具体细胞和结构密度变化。不同病变类型（左）和切片类型（右）的细胞密度（细胞/毫米2）：(a) 白细胞，(b) Hofbauer细胞，(c) 绒毛外滋养层，(d) 纤维蛋白沉积。使用Mann–Whitney U检验进行统计比较，并应用Bonferroni校正，将病变类别与健康对照组进行对比，同时成对比较不同类型的切片。***p<0.001，**p<0.01，*p<0.05。(e) 代表性的H&E切片示例（上图）显示了通过局部自相关测量的纤维蛋白的空间分布（下图）。红色区域表示聚集的纤维蛋白沉积，而蓝色区域则表示纤维蛋白分布较少或分散。无病变的对照切片和切片显示出典型的分布，而存在病变的切片则显示出纤维蛋白沉积在梗死部位周围增加。BP：基底板；CP：绒毛板。在结构层面上，我们观察到所有类型的病变中纤维蛋白沉积的密度都有显著增加，除了无血管绒毛的切片（Cohen’s d = 0.89?1.40）（图4d）。与健康对照组相比，“无明显病变”的切片中纤维蛋白密度也显著增加（Cohen’s d = 0.81，p<0.01）。我们在补充图9和10中展示了所有病变和切片类型的完整组织结构分析，在补充表5和6中提供了效应量。最后，我们使用空间局部自相关分析来检查切片中细胞和结构类型的分布，特别关注纤维蛋白沉积（图4e）。我们发现梗死区域周围有大量的纤维蛋白聚集，这表明纤维蛋白的分布可能有助于病变的识别。相比之下，在“无明显病变”和健康对照切片中，纤维蛋白的分布更为分散。所有具有梗死的WSI以及配对的“无明显病变”切片的纤维蛋白沉积情况在补充图11.4中进行了可视化。

讨论
在这项研究中，我们采用了分层建模方法来识别胎盘组织病理切片在受伤后的生物学变化，并应用HAPPY流程自动量化跨机构数据集中的细胞和结构组成。我们证明了该方法在通过标准临床病理工作流程获得的切片上的实用性，表明来自异常胎盘的切片与WSI中细胞类型和结构组成的可量化变化相关。即使在病变在组织学上对病理学家不明显的情况下，我们也检测到了病变切片中的组成差异。我们定义了一种距离度量标准来量化切片组成的差异幅度。在健康胎盘切片中，切片内的生物组成差异大于整个健康参考集之间切片组成的差异。这反映了绒毛树沿线的局部组成变化。然而，当整个切片的组成被平均化时，这些局部差异会被平滑，从而得到的轮廓反映了胎盘的整体生物学状态（例如，由于妊娠年龄或绒毛成熟度）。这解释了为什么尽管存在切片内的异质性，整个切片的组成在患者之间仍然高度相关，并表明整个切片的平均值可以提供胎盘生物学的可靠总结。在考虑WSI中的细胞和结构组成时，我们发现病变切片与健康对照组相比存在显著差异，这与已知的组织学变化相符[22]。值得注意的是，更多的切片显示出细胞方面的显著偏差而非结构方面的偏差，这可能反映了绒毛树采样的固有异质性和克服这种异质性的能力有限。由于我们的所有样本都导致了活产，因此我们的切片可能无法充分代表与更严重损伤相关的结构重塑。总体而言，结果表明细胞反应可能先于或减轻结构重塑，但需要纵向数据来确认因果关系。未来的工作应该研究一系列结果，以探讨这里观察到的结构组成差异的有限变化是否反映了即使在病变存在的情况下也能维持胎盘功能的补偿机制[23]。对于梗死，我们发现病变的大小与组成差异相关，表明存在剂量-反应关系：梗死组织保留了可测量的细胞内容，这直接改变了切片的组成，梗死可能需要周围实质的补偿性重塑或反映胎盘的整体功能障碍。相反，在IVT中我们没有观察到这种相关性，因为血栓中几乎不含可分类的组织，周围的实质通常保持明确的边界。这与已有的研究结果一致：梗死涉及广泛的缺血性损伤，而血栓性病变通常只涉及少量的周围组织[24]、[25]、[26]、[27]。我们还发现我们有能力检测到病理学家无法识别的病变切片中的差异。由于我们量化的是切片的组成而不是直接分类特定的病变类型，HAPPY能够检测到细微的变化。我们证明了胎盘病变在病变部位远端也有可检测的影响：特别是，我们发现同一胎盘的含病变切片和组织学正常的切片之间的组成存在显著相关性。这可能表明存在渐进性的适应，例如EVTs的增加，而不是胎盘是一个具有多余容量的静态器官[23]、[28]。这种适应过程可能有助于解释为什么多达一半的“健康”妊娠在胎盘上表现出组织学异常[29]、[30]。或者，这种相关性可能反映了患者特定的组成特征。区分这些假设具有重要的意义：前者表明局部病变驱动了整个器官的组成变化，而后者则意味着某些胎盘组成本质上更容易受到损伤。潜在的机制包括循环中的炎症介质或影响多个区域的共同血管损伤。需要进行连续采样研究，并将胎盘组成与母亲基因型或环境暴露联系起来，以解决这个问题。最后，我们发现细胞变化与已建立的胎盘病理生理学[22]、[31]、[32]、[33]一致。所有类型病变中EVTs的系统性增加反映了缺氧损伤模式中记录的补偿性血管重塑反应[34]、[35]。白细胞的渐进性浸润符合对组织损伤的器官范围炎症反应的预期[36]、[37]。同样，过量的纤维蛋白沉积也与预期的病理发现一致[38]，研究表明这与免疫过程相关的结构支持机制有关[39]、[40]。此外，不同类型病变中Hofbauer细胞密度的减少与先前的报告一致[33]、[41]、[42]，这些报告提出这种减少可能反映了免疫介导的耗竭或向胎儿结构的迁移[41]。如果这种耗竭反映了实际的细胞丢失、病理条件下的形态变化，或者胎儿巨噬细胞向胎盘的招募减少，那么这一点尚未得到解决。这项研究为使用靶向免疫标记（如CD68/CD163来区分Hofbauer细胞）进行进一步研究提供了有效的假设生成。虽然这项研究证明了HAPPY的生物学有效性和潜在的临床实用性，但它受到几个关键挑战的限制。最重要的是，样本量较小，特别是健康对照组和配对患者分析的样本量较少，因此这些结果应被视为假设生成，有待在更大样本队列中验证。我们将数据集限制在足月活产样本上，以控制与妊娠年龄相关的组成差异，这可能限制了其推广到早产或不良结局妊娠的能力。大多数样本（UoT + HMC）来自常规病理提交，这进一步限制了足月健康对照组的可用性，并可能引入批次效应，尽管我们在计算上努力最小化了这些效应。由于我们的结果依赖于切片级别的病变注释，注释的准确性是一个关键限制。虽然没有计算正式的观察者间一致性统计，但所有注释都经过了高级病理学家的审核。胎盘组织的组织学采样在个体间存在空间不一致性，这意味着常规收集的切片可能无法代表整个器官。一些患者提供了多个切片，这可能违反标准统计测试的独立性假设；具有系统采样协议的数据集将有助于解决这两个限制。对于细胞量化，白细胞分类包括了异质的免疫群体，包括子宫NK细胞、巨噬细胞和T淋巴细胞；仅使用H&E无法确定哪种亚型导致了观察到的密度增加。尽管应用了Bonferroni校正，但由于细胞和结构类别之间的比较数量较多，因此效应量较小的发现可能代表假阳性。使用免疫组化进行针对性验证将有助于验证检测到的变化，未来将HAPPY与空间转录组学整合将允许进一步对细胞类型进行亚型分类。最后，这项研究没有将组成发现与临床结果相关联，因为这些记录不可用，尽管这是未来验证的一个重要方向。

作者贡献声明
Emma Clare Walker：撰写——原始草稿、可视化、软件、方法学、调查、正式分析、概念化。
Claudia Vanea：软件、方法学、数据管理。
Karen Meir：资源、数据管理。
Drorith Hochner-Celnikier：资源、数据管理。
Hagit Hochner：资源、数据管理。
Triin Laisk：资源、数据管理。
Cecilia Lindgren：资金获取。
Craig A. Glastonbury：撰写——审阅与编辑、监督。
Linda M. Ernst：撰写——审阅与编辑、监督、数据管理。
Christoffer Nellaker：撰写——审阅与编辑、监督、概念化。

在准备这项工作时，作者使用了ChatGPT Edu进行校对。使用该工具/服务后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。

资助
E. C. W 由EPSRC健康数据科学博士培训中心（资助号EP/S02428X/1）支持。C. M. L. 由李嘉诚基金会、NIHR牛津生物医学研究中心、NIH（1P50HD104224-01）、盖茨基金会（INV-024200）和Wellcome Trust研究员奖（221782/Z/20/Z）支持。T.L. 由欧洲区域发展基金和Mobilitas Pluss计划（MOBTP155）以及爱沙尼亚研究委员会（PSG776）资助。这项研究的计算方面得到了Wellcome Trust核心奖（编号203141/Z/16/Z）和NIHR牛津BRC的支持。所表达的观点仅代表作者本人，并不一定代表NHS、NIHR或卫生部的立场。