深度学习区分脉络膜黑色素瘤与转移癌的细胞学样本
摘要
英国利物浦眼肿瘤中心的研究者收集87名接受经巩膜细针穿刺活检患者(50例脉络膜黑色素瘤、37例脉络膜转移癌)的May-Grünwald-Giemsa染色细胞离心涂片,数字化后切分为256×256像素的图块。研究用692个人工标注图块训练U-Net模型分割肿瘤细胞,再比较5种卷积神经网络、3种视觉Transformer和7种多实例学习(MIL)架构的分类效果,采用患者级三折交叉验证,并预留17名患者作为最终独立测试集。U-Net分割精确率0.80、召回率0.76;双层特征蒸馏MIL模型患者级AUC最高(0.96),DenseNet121患者级准确率最高(0.84)。作者认为该框架为AI辅助细胞病理打下基础,有望在缺乏眼病理专科医生的中心加快诊断。
信息来源: PubMed Ophthalmology 发布于 2026年9月1日
要点速览
- 研究使用英国利物浦眼肿瘤中心87名患者的细胞涂片图像(50例脉络膜黑色素瘤、37例脉络膜转移癌)。
- U-Net分割肿瘤细胞,并比较5种CNN、3种视觉Transformer和7种多实例学习架构的分类效果。
- 双层特征蒸馏MIL模型患者级AUC最高(0.96,95%CI 0.83–1.00),DenseNet121患者级准确率最高(0.84)。
- 单中心、样本量小,需多中心外部验证。
本站解读
这项研究瞄准的是一个真实难题:细针穿刺取出的细胞很少,要分清是原发的脉络膜黑色素瘤还是其他部位转移来的癌,形态差别细微,而眼病理专科医生又越来越少。研究团队搭建了从肿瘤细胞分割到整张玻片判读的完整流程,表现最好的模型患者级AUC达到0.96,另一个模型患者级准确率为0.84。
证据强度要打折看:全部数据来自单一中心的87名患者,独立测试集只有17人,AUC 0.96的95%置信区间为0.83到1.00,范围较宽。作者的表述是为AI辅助细胞病理打基础,而不是可以直接用于临床。我们的判断是,这类罕见病样本的AI模型,下一步关键在多中心数据和外部验证。
对国内来说,类似模型如果要落地,同样需要多家医院共享样本来扩大数据量,国内是否有同类研究和应用,有待确认。眼内肿瘤的诊断需要专科医生综合判断,如有疑虑可咨询眼科医生。
常见问题
这个AI能帮我直接查出眼睛里是不是长了癌吗?
不能。这个AI分析的是穿刺取出的细胞样本的玻片图像,是给病理医生用的辅助工具,不能扫描眼睛或用于自我筛查,最终诊断仍由医生综合各项检查作出。该研究只在英国一家中心的87名患者中验证过,国内尚无相关应用信息,如有疑虑可咨询眼科医生。
以后眼内肿瘤的病理结果是不是能更快出来?
有这个可能,但还早。作者认为,这套框架有望在缺乏眼病理专科医生的中心加快诊断,但目前只是单中心研究,最终测试样本只有17名患者,还需要更多医院的数据来验证。国内什么时候能用上类似工具尚不确定,当前的病理诊断仍以专科医生判读为准,如有疑虑可咨询眼科医生。
延伸阅读
眼表摄影标准化:AI应用的瓶颈与路径
该综述指出,尽管裂隙灯彩色摄影是眼前节记录和随访的基础手段,但其采集与处理长期缺乏统一标准。眼表曲面几何、离轴照明、周边失焦、自动白平衡及瞳孔依赖的曝光变化等因素,严重制约图像可重复性、设备间可比性和临床实用性。文章系统梳理了干眼病、结膜充血、感染性角膜炎等五类眼表疾病中OSP的应用现状,并揭示当前AI模型开发受限于缺乏大规模、多人群、高质量标注的眼表图像数据集,以及缺乏可量化的稳定表型和可靠标签。
基于眼底照相的颈动脉内中膜厚度风险分类模型
研究提出一种名为BMA-Net的双侧注意力网络,结合视网膜领域迁移学习,利用眼底照片进行基于颈动脉内中膜厚度(CIMT)的心血管风险分类。模型先在亚太远程眼科学会(APTOS)2019失明检测数据集上预训练,再迁移到中国眼底CIMT数据集进行分类。十次独立初始化实验中,验证集宏F1均值为77.81%,AUC为84.08%;测试集分别为78.29%和85.22%,各项指标点估计高于此前的Siamese ResNeXt基线模型。
基于OCT图像的冰毒成瘾AI检测框架
研究团队开发了一种结合深度学习与机器学习的混合框架,用于从光学相干断层扫描(OCT)图像中自动识别甲基苯丙胺成瘾者。该框架使用改进的ResNet50-OCT模型提取多层特征,经多分辨率特征选择降维后,由多种核函数的支持向量机分类,并通过阈值过滤迭代多数投票融合结果。在193名受试者的3859张OCT图像上测试,10折交叉验证准确率达89.43%,留一法验证为74.07%。