準(zhǔn)確檢測淋巴結(jié)轉(zhuǎn)移對于各類 腫 瘤的精準(zhǔn)分期和輔助治療方案制定至關(guān)重要。然而，傳統(tǒng)的顯微鏡病理檢查耗時耗力，病理醫(yī)生在繁重的工作負(fù)荷下，易漏診直徑小于2毫米的微小轉(zhuǎn)移灶。這種漏診會低估患者真實的腫瘤分期，進(jìn)而延誤治療并嚴(yán)重影響臨床預(yù)后。 因 此，迫切需要開發(fā)具備跨癌種泛化能力、能高效輔助檢測 腫瘤 微小 淋巴 轉(zhuǎn)移的人工智能診斷工具。

近日 ，林天歆-吳少旭教授團(tuán)隊等在國際期刊 The Lancet Digital Health 上發(fā)表了題為Artificial intelligence-based pathological model for pan-cancer lymph node metastasis detection: amulticentrediagnostic study with retrospective and prospective validation的最新研究成果 。

本研究旨在開發(fā)一種泛癌種通用的淋巴結(jié)轉(zhuǎn)移病理人工智能診斷模型PanCAM（ pan-cancer artificial intelligence diagnostic model ） 。 該 研究納入了中國17家醫(yī)院接受 腫瘤 根治術(shù) 和淋巴結(jié)清掃 術(shù) 的9256名患者。數(shù)據(jù)集包含33種 腫瘤 （9種常見 腫瘤 和24種罕見 腫瘤 ） 的 69502張全切片 數(shù)字病理掃描 圖像（WSIs）， 共計 153985個淋巴結(jié) 。 Pan CAM 采用了 DeepLabv3+分割框架和RegNet-Y40編碼器，并 使用 監(jiān)督學(xué)習(xí) （ 像素級細(xì)標(biāo)簽 ） 和增量學(xué)習(xí) （模型自生成軟標(biāo)簽- 專家審核校正 ） 策略 進(jìn)行模型 迭代 學(xué)習(xí) 。

結(jié)果顯示，在16家醫(yī)院的回顧性驗證中， PanCAM 檢測淋巴結(jié)轉(zhuǎn)移的敏感性 達(dá) 0.97 - 1.00，在外部CAMELYON16數(shù)據(jù)集上的敏感性為0.96。在9家醫(yī)院的前瞻性驗證中， PanCAM 的敏感性 達(dá)0 .93 - 1.00 ，均優(yōu)于常規(guī)病理報告 。盡管僅使用 九大 高發(fā) 腫瘤 圖像進(jìn)行訓(xùn)練， PanCAM 對 罕見 腫瘤 的 診斷 敏感性 在回顧性和前瞻性隊列中 均 達(dá)到0.98 以上 。

值得注意的是 ， PanCAM 在回顧性驗證中額外識別出120名被病理 報告 遺漏的淋巴結(jié)轉(zhuǎn)移患者，在前瞻性驗證中額外識別出21例。

此外，該研究將 PanCAM 與 多種 特定 腫瘤 模型（如膀胱癌特定模型）進(jìn)行了對比分析。在膀胱癌數(shù)據(jù)集中， PanCAM 的敏感性為0.99， 特異性 為0.98 ， 陽性預(yù)測值0.81 ； 對比之下，膀胱癌特定模型（ BCa model）的敏感性為0.98， 特異性 為0.94 ，陽性 預(yù)測值0.62 。

本 研究 開發(fā)的 P anCAM 為 各類 腫瘤 的 淋巴結(jié)轉(zhuǎn)移 病理 檢測提供了 新的 解決方案 ， 該模型可輔助病理醫(yī)生 快速精準(zhǔn)地 診 斷淋巴結(jié)轉(zhuǎn)移，以提高診斷準(zhǔn)確性并 輔助 治療決策的制定。

林天歆教授為本研究的通訊作者，吳少旭教授、洪桂斌博士、王赟博士、曾弘教授、林真教授、 楊潔教授、 陳 健 寧教授、 陳紅濤 教授 為 共 同第一作者。

原文鏈接：https://doi.org/10.1016/j.landig.2025.100961

制版人：十一

BioArt

Med

Plants

人才招聘

學(xué)術(shù)合作組織

（*排名不分先后）

轉(zhuǎn)載須知

【非原創(chuàng)文章】本文著作權(quán)歸文章作者所有，歡迎個人轉(zhuǎn)發(fā)分享，未經(jīng)作者的允許禁止轉(zhuǎn)載，作者擁有所有法定權(quán)利，違者必究。