《npj Precision Oncology》：Hybrid supervised deep learning for lung adenocarcinoma diagnosis to optimize surgical strategies
编辑推荐：
针对肺腺癌术中冰冻切片病理诊断存在时间受限、三维侵袭范围评估困难的问题，本文提出了一种混合监督深度学习框架（HSFLA）。该研究通过混合监督诊断二维全切片图像（WSIs）、自动标注肿瘤侵袭区域、连续WSIs配准与三维重建，提升了术中诊断准确率（达95.6%），为胸外科医生提供了更精准的手术切除范围建议，并在前瞻性临床应用中展现出优化手术决策的潜力。
在胸外科手术中，肺腺癌的切除范围往往需要在术中快速确定。此时，病理科医生会采用冰冻切片进行快速诊断，评估肿瘤的侵袭性成分，以决定是进行局部切除（如肺段切除）还是更广泛的切除（如肺叶切除）。然而，这一“金标准”在实际操作中面临双重挑战：一方面，术中时间极为有限，医生必须在短时间内做出判断；另一方面，肿瘤在三维空间中的侵袭范围难以通过二维的病理切片进行准确评估。传统的人工诊断方法不仅耗时，而且准确率有待提高（研究中为84.7%）。近年来，基于深度学习的辅助诊断技术虽带来希望，但常见的弱监督学习方法（仅用切片级标签训练）在肺腺癌诊断任务上表现欠佳（准确率仅为66.2%±3.0%），难以满足临床对精确三维定量的高要求。为了突破这些瓶颈，一项旨在优化肺腺癌手术策略的研究应运而生，其成果发表于《npj Precision Oncology》。
研究人员开发了一套名为“肺腺癌混合监督框架（HSFLA）”的人工智能系统。该框架整合了多个关键技术环节：首先，采用混合监督策略对二维全切片图像（WSI）进行诊断，即结合切片级标签和部分精细的像素级标注进行模型训练。接着，利用训练好的模型对肿瘤侵袭区域进行自动像素级标注。然后，通过对连续切片的图像进行配准，将多个二维的肿瘤侵袭标注融合，实现三维重建，并自动计算出肿瘤侵袭成分的总体积。这一流程从二维诊断出发，最终实现了对肿瘤三维侵袭范围的量化评估。
该研究在两个中心收集了涵盖三种亚型的1161张全切片图像（WSI）构成的数据集，用于训练和评估HSFLA框架。主要研究方法包括：基于深度卷积神经网络的图像分析、图像配准算法以及三维体积计算。研究团队通过多个维度的实验验证了框架的有效性。
诊断性能评估
HSFLA在测试集上达到了95.6%的诊断准确率，显著优于人工病理医生复核（84.7%）和弱监督学习方法（66.2%±3.0%）。这证明了混合监督策略能有效提升模型对肺腺癌，特别是其侵袭性成分的识别能力。
自动标注与三维量化
框架自动生成的肿瘤侵袭区域标注，与病理医生手动进行的像素级标注具有高度一致性（一致性达86.6%）。更重要的是，HSFLA能够基于连续切片自动重建出肿瘤侵袭区域的三维模型，并计算出其体积，为术中量化评估提供了客观工具。
遗传学层面的可解释性
为了探究模型决策的依据，研究团队将HSFLA识别的侵袭区域与空间转录组学（Spatial Transcriptomics）样本进行比对。结果显示，模型标注的高侵袭风险区域与特定的基因表达谱具有空间一致性，这从分子生物学角度验证了HSFLA模型的可解释性。
人机交互临床应用
在辅助诊断测试中，当三位病理医生使用HSFLA的自动标注功能作为参考时，其诊断准确率平均提升了22.9%。在一项包含70名患者的临床前瞻性研究中，与单纯依靠人工诊断相比，采用“人机交互”诊断模式（即医生参考AI结果）为其中5名患者提供了更合适的手术范围建议，直接影响了临床决策。
本研究成功开发并验证了HSFLA这一混合监督深度学习框架。其核心结论在于，该框架能够高精度地完成肺腺癌术中冰冻切片的诊断，并实现肿瘤侵袭区域的自动标注、三维重建与体积量化，有效克服了传统方法在时间和空间评估上的局限。框架展示的遗传学可解释性，增强了其临床可信度。在实际应用中，HSFLA不仅能作为病理医生的高效辅助工具，显著提升诊断准确率，更能通过提供精准的三维侵袭范围信息，帮助外科医生制定更个体化、更合理的手术方案。这项工作标志着人工智能在术中病理快速诊断与实时手术决策支持领域迈出了坚实的一步，为未来人工智能深度融合临床工作流程提供了一个可行的范式。
