淋巴結(jié)轉(zhuǎn)移的準(zhǔn)確檢測(cè)對(duì)于各類腫瘤的精確分期和治療計(jì)劃具有重要臨床意義。常規(guī)病理檢查存在淋巴結(jié)微轉(zhuǎn)移的漏診風(fēng)險(xiǎn)，這可能導(dǎo)致診斷不足和臨床預(yù)后欠佳。2026年3月，中山大學(xué)林天歆-吳少旭教授團(tuán)隊(duì)在國(guó)際學(xué)術(shù)期刊 The Lancet Digital Health (IF=24.1)在線發(fā)表了題為 “Artificial intelligence-based pathological model for pan-cancer lymph node metastasis detection: a multicentre diagnostic study with retrospective and prospective validation” 的研究論文。該研究開(kāi)發(fā)了一種泛癌種人工智能診斷模型（PanCAM）,并在包含33種腫瘤的多中心回顧性和前瞻性隊(duì)列中進(jìn)行了驗(yàn)證。

癌癥是全球疾病負(fù)擔(dān)的主要原因，淋巴結(jié)轉(zhuǎn)移是影響患者整體生存率和無(wú)復(fù)發(fā)生存率的關(guān)鍵預(yù)后因素。組織學(xué)檢查目前仍是檢測(cè)淋巴結(jié)轉(zhuǎn)移的金標(biāo)準(zhǔn)。然而 ， 由于臨床病理工作量繁重，病理醫(yī)生缺乏足夠的時(shí)間進(jìn)行詳細(xì)審查，且識(shí)別直徑小于2毫米的微轉(zhuǎn)移 本身 存在挑戰(zhàn)，導(dǎo)致在 臨床病理工作 中容易遺漏 微小轉(zhuǎn)移病灶 。這種對(duì)微小轉(zhuǎn)移灶的遺漏可能會(huì)低估淋巴結(jié)分期，進(jìn)而影響治療決策 。 盡管已有部分人工智能模型應(yīng)用于淋巴結(jié)轉(zhuǎn)移檢測(cè)，但多數(shù)現(xiàn)有模型僅局限于 常見(jiàn)單癌 種， 無(wú)法滿足真實(shí)病理實(shí)踐中的臨床需求；且腫瘤發(fā)病率呈長(zhǎng)尾分布， 罕見(jiàn)癌 種的 數(shù)據(jù)匱乏進(jìn)一步 表明單癌種特異性 AI模型 研發(fā)范式 的 局限性。

為了 應(yīng)對(duì)上述挑戰(zhàn) ， 作者團(tuán)隊(duì) 設(shè)計(jì)了一項(xiàng)大規(guī)模多中心診斷研究，納入了來(lái)自中國(guó)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 （共33種腫瘤類型，包括9 種常見(jiàn) 腫瘤 和24種罕見(jiàn) 腫瘤）共計(jì) 153985個(gè)淋巴結(jié) 的 69502張全切片 數(shù)字病理掃描 圖像（WSIs）?；贒eepLabv3+分割框架和RegNet-Y40編碼器，研究團(tuán)隊(duì)開(kāi)發(fā)了泛癌種人工智能診斷模型PanCAM，并 使用 監(jiān)督學(xué)習(xí) （像素級(jí)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)。 為了評(píng)估 模型性能，該 研究在16家國(guó)內(nèi)醫(yī)院及荷蘭公開(kāi)數(shù)據(jù)集CAMELYON16上進(jìn)行了回顧性驗(yàn)證，并在9家國(guó)內(nèi)醫(yī)院開(kāi)展了前瞻性驗(yàn)證。

Workflow of the study

結(jié)果顯示，在16家醫(yī)院的回顧性驗(yàn)證中，PanCAM檢測(cè)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)集上的敏感性達(dá)0.96。在9家醫(yī)院前瞻性驗(yàn)證中，PanCAM的敏感性穩(wěn)定在0.93 - 1.00。值得注意的是，盡管僅使用 九大高發(fā)腫瘤 圖像進(jìn)行訓(xùn)練 ， PanCAM對(duì)罕見(jiàn) 腫瘤 的敏感性 在回 顧性和前瞻性驗(yàn)證中均達(dá)到0.98 以上 ，展現(xiàn)出了 可靠的跨 癌種泛化能力 。除此之外， PanCAM在回顧性驗(yàn)證中額外識(shí)別出120名被常規(guī)病理 報(bào)告 遺漏的淋巴結(jié)轉(zhuǎn)移患者，并在前瞻性驗(yàn)證中進(jìn)一步額外識(shí)別出21例漏診病例，這些被糾正的假陰性病例絕大多數(shù)為微小轉(zhuǎn)移灶。研究團(tuán)隊(duì)還將PanCAM與特定單 癌種 AI模型進(jìn)行了基準(zhǔn)對(duì)比 。如 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(yáng)性預(yù)測(cè)值0.81 ， 而專門(mén)針對(duì)膀胱癌訓(xùn)練的特定模型（BCa model）敏感性為0.9 8 ， 特異性 為0.94，陽(yáng)性預(yù)測(cè)值0.62 。 前列腺癌數(shù)據(jù)集的對(duì)比分析也觀察到了相似的結(jié)果，進(jìn)一步證實(shí)了 泛癌模型性能的 穩(wěn)健性。

本研究構(gòu)建的 PanCAM 為各類 腫瘤 的淋巴結(jié)轉(zhuǎn)移 病理 檢測(cè)提供了具有高度泛化性的通用解決方案。該模型能夠 靈敏檢測(cè)人眼易遺漏的腫瘤淋巴微轉(zhuǎn)移灶，在真實(shí)世界臨床實(shí)踐中，有效 輔助病理醫(yī)生提升診斷準(zhǔn)確性 ，顯著改進(jìn)工作效率 。

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。

參考消息：

https://doi.org/10.1016/j.landig.2025.100961

來(lái)源：iNature

免責(zé)聲明：本公眾號(hào)旨在為醫(yī)療衛(wèi)生專業(yè)人士提供腫瘤領(lǐng)域資訊參考，促進(jìn)專業(yè)交流。內(nèi)容僅供信息交流，不可替代專業(yè)醫(yī)療指導(dǎo)，亦非診療建議。 據(jù)此操作，風(fēng)險(xiǎn)自擔(dān)。轉(zhuǎn)載內(nèi)容均已標(biāo)注來(lái)源及作者。如有版權(quán)問(wèn)題，請(qǐng)留言聯(lián)系，我們將及時(shí)處理。