浙江
癌症的精准分期和后续治疗决策高度依赖淋巴结转移状态的准确判断，临床病理医生在显微镜下对全切片图像进行人工评估不仅耗时费力，而且微小转移灶和孤立肿瘤细胞极易被漏检。2026年8月15日，大连理工大学附属肿瘤医院病理科朱延美教授团队与大连理工大学软件学院贾棋教授团队合作在《Nature Communications》上在线发表题为“Weakly supervised artificial intelligence for multi-cancer detection of lymph node metastasis on whole slide images”的研究论文。研究团队设计了一种名为MambaMIL+HiLA‑MIL的多实例学习模型，该模型将Vision Mamba架构作为基础编码器并引入高低注意力分离机制，在662例来自多癌种的淋巴结全切片图像上完成了四分类（阴性、孤立肿瘤细胞、微转移、宏转移）的转移检测任务。
研究团队系统对比了六种主流弱监督基线模型和四种特征提取器在内部及两个外部验证集上的表现。实验数据显示，在内部NIMM数据集上，MambaMIL+HiLA‑MIL模型搭载UNI特征提取器时取得0.9710的AUC值和92.90%的总体准确率，搭载GigaPath时取得0.9759的AUC值和92.91%的准确率，两项核心指标均显著优于AB‑MIL、CLAM‑SB、CLAM‑MB、DSMIL、TransMIL和基础MambaMIL模型。在ResNet特征提取器条件下，该模型的召回率较最优基线模型提升4.73个百分点，F1‑分数提升4.55个百分点。
针对临床最具挑战性的孤立肿瘤细胞检测任务，新模型展现出突破性优势。在内部NIMM数据集上，搭载UNI特征提取器时孤立肿瘤细胞检测的AUC达到0.9707，召回率为87.50%，搭载GigaPath时AUC为0.9630、召回率为77.50%，两项指标均远超CAMELYON17挑战赛中算法准确率普遍低于40%的历史水平。在外部DLZX和YDSY验证数据集上，模型对孤立肿瘤细胞的检测AUC分别保持在0.94以上和0.92以上。对于微转移灶的识别，搭载UNI时内部数据集AUC为0.9427、召回率为63.61%，搭载GigaPath时AUC为0.9355、召回率为69.72%，同样稳定领先于全部基线方法。在阴性和宏转移这两类诊断难度相对较低的任务中，新模型维持了接近完美的区分能力，AUC值普遍达到0.98以上。
研究团队进一步考察了模型在多癌种和单癌种场景下的泛化能力。在内部NIMM数据集的五种主要癌种（胃腺癌、结直肠腺癌、肺腺癌、乳腺浸润性导管癌和乳腺浸润性小叶癌）中，搭载GigaPath特征提取器时，乳腺浸润性导管癌队列的整体AUC为0.9575、准确率为82.85%，乳腺浸润性小叶癌队列AUC为0.9823、准确率为84.49%，结直肠腺癌队列AUC为0.9957、准确率为94.36%。在外部DLZX和YDSY数据集上，结直肠腺癌和乳腺浸润性小叶癌队列的准确率提升均达到统计学显著水平。研究团队比较了ResNet、UNI、Virchow和GigaPath四种特征提取器的综合效能，结果显示UNI和GigaPath在整体四分类准确率和特异性方面显著优于传统ResNet和Virchow模型，跨中心准确率下降幅度控制在6.2%以内。
通过注意力热图可视化分析，研究团队发现MambaMIL+HiLA‑MIL模型对真实病灶区域的注意力分值显著高于TransMIL和基础MambaMIL模型，同时非病灶区域的注意力分值明显降低，空间定位更加精确。假阳性预测主要源于切片制备伪影（染色不均、气泡、刀痕）、特殊结构（碳末沉积、坏死、黏液变性）以及正常或良性组织结构（生发中心、受压淋巴细胞簇、窦组织细胞增生），这些结构在形态上与转移灶高度相似。假阴性预测则主要与术前化疗导致的肿瘤细胞形态不典型、分化较差以及肿瘤细胞密度过低有关，这些因素使细胞异型性不明显，容易被模型忽略。研究团队已将全部源代码在GitHub平台开源，模型权重和预处理模块遵循MIT许可证向社会公开。
READING
BioPeers
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
