我院在nature communications发表计算病理AI最新研究成果-大连理工大学中日国际软件学院

近日，我院在计算病理学与人工智能交叉领域取得重要研究成果，研究团队构建弱监督人工智能框架，实现多癌种淋巴结转移四分类（宏转移、微转移、孤立肿瘤细胞与阴性）精准诊断，重点攻克孤立肿瘤细胞、微转移灶检测难题。这类微小转移病灶体积小、细胞散在分布，易受切片采样干扰，还易与炎症等细胞混淆，是病理判读和传统AI模型的主要难点。相关研究成果以Weakly supervised artificial intelligence for multi‑cancer detection of lymph node metastasis on whole slide images为题发表于nature communications期刊。该期刊为nature系列子刊，最新影响因子18.1。我校附属肿瘤医院（辽宁省肿瘤医院）病理科副主任医师孙丽丽与我院博士生姚水连为论文的共同一作，主任医师朱延美与我院副教授贾棋为共同通讯作者。

(图1. 论文期刊页)

该模型基于多示例学习思路搭建基础学习模块，创新性提出高低注意力分离机制，针对病理全切片图像中高显著性肿瘤病灶区域和信号微弱的低显著性细胞区域开展差异化注意力建模。通过分开学习两类区域的特征表征，模型能够重点放大微小转移灶的有效特征信号，抑制背景正常组织的干扰信息，显著提升对孤立肿瘤细胞、微转移这类微小病灶的特征捕捉与识别能力。研究同时集成四种主流病理特征提取骨干网络，无需病灶级精细标注，仅依靠切片级标签即可完成全切片图像的端到端训练，适配临床真实场景下标注资源有限的现实困境，框架整体概览如下图所示。

（图 2. 模型框架总览图）

研究在内部数据集及两套独立外部数据集上开展模型评估，与多种主流基线模型完成系统性对比。实验结果表明，该模型在四种不同特征提取骨干网络配置下，整体性能均全面优于对比基线模型。在内部数据集验证中，不同骨干网络条件下，模型相较最优基线，召回率提升幅度2.11%‑5.49%，F1-score 提升幅度2.53%‑5.63%。与此同时，针对临床识别难度最大的孤立肿瘤细胞与微转移灶检测任务，模型的召回率、F1-score 均取得具有统计学意义的显著提升；在胃腺癌、结直肠腺癌、肺腺癌、乳腺浸润性导管癌、乳腺浸润性小叶癌等多个单癌种队列中，模型同样表现出良好的跨癌种泛化与稳定识别能力。