2025年2月，大连大学附属中山医院伍建林教授团队在《
scientific reports
》发表论文“Identifying invasiveness to aid lung adenocarcinoma diagnosis using deep learning and pathomics”。针对肺腺癌亚型分类未用于临床、病理诊断难等现存诊断难题，该研究创新性地结合深度学习和病理组学来识别肿瘤浸润性以辅助诊断，利用ResNet18等模型识别肿瘤区域并构建病理组学模型。研究结果表明，ResNet18识别肿瘤区域的曲线下面积（AUC）达到0.956，表现出色；随机森林评估肿瘤浸润性效果良好，且辅助病理学家提高了诊断准确性，具有重要的临床意义。
基于深度学习的LUAD组织病理学分析以助力临床诊断
肺癌中的腺癌（Adenocarcinoma，简称AC）是最常见的组织病理学亚型，其在肺癌病例中的占比约为三分之一到二分之一，在计算机断层扫描（CT）上呈现为磨玻璃结节（GGNs）。2021年世界卫生组织（WHO）的最新指南指出，肺腺癌（LUAD）包含前驱腺性病变（PGL）、微浸润性腺癌（MIA）以及浸润性腺癌（IAC）等类型。对于IAC患者而言，肺叶切除术较为适宜，然而其5年无病生存率（DFS）仅为40%-85%，预后状况较差，并且随着浸润程度的增加，复发风险也会升高。
当前，多数肺腺癌主要亚型的分类工作尚未融入临床实践，随着CT在肺癌早期筛查中的广泛运用，越来越多的GGNs，尤其是亚厘米级的GGNs被检测并切除，病理学家在区分原位腺癌（AIS）、MIA和IAC时面临诸多难题。
组织切片的组织病理学检查虽是LUAD诊断的金标准，H&E染色技术能够通过高分辨率图像捕捉肿瘤组织的形态特征，但人工显微镜检查依赖病理学家的专业知识，不仅劳动强度大而且容易出错。以往基于深度学习的LUAD组织病理学分析虽有潜力，但多数分类工作并未应用于临床，甚至可能误导病理学家。本研究旨在探索将深度学习与病理组学相结合以识别LUAD患者肿瘤浸润性的可行性，从而提升初级和中级病理学家的诊断能力。
回顾性研究：三种深度学习模型助力LUAD肿瘤区域识别
本研究以被诊断出磨玻璃结节（GGNs）的肺腺癌（LUAD）患者为对象。研究采用回顾性连续纳入的方式，将2019年1月至2022年5月在大连大学附属中山医院以及2019年1月至2019年12月在大连大学附属新华医院被诊断为GGNs的289例LUAD患者，按8:2的比例随机分入训练队列和测试队列，且每个队列进一步分为侵袭性（ICA）和非侵袭性（AAH、AIS和MIA）组。对术后病理组织进行处理和染色以用于病理评估，再用全自动数字病理全切片扫描仪将病理切片数字化，从而收集289个全切片图像（WSIs）。
WSIs经人工标注肿瘤或非肿瘤区域等操作后，运用Resnet18、Resnet50、Resnet101这三种深度学习模型构建肿瘤区域识别模型，通过多种方法进行特征选择和降维，接着利用机器学习模型构建病理组学模型。
主要终点为识别LUAD的肿瘤区域，次要终点为评估机器学习模型在识别LUAD肿瘤侵袭性方面的预测性能等。
289例LUAD患者研究：ResNet50训练队列AUC达0.973，识别浸润性可行
患者特征：
本研究纳入289例LUAD患者，年龄26-80岁（平均57.73 ± 10.87岁）。其中浸润组196例（67.82%），非浸润组93例（32.18%），非浸润组包含52例MIA、32例AIS和9例AAH。训练队列230例患者，平均年龄57.59 ± 10.87岁，男性占23.48%，女性占76.52%；测试队列59例患者，平均年龄58.25 ± 10.97岁，男性占37.29%，女性占62.71%。且浸润组和非浸润组在年龄、体积和最大直径方面有显著差异（
p
< 0.001），在CT值、性别和GGN位置方面无显著差异（
p
> 0.05）。
疗效：
主要疗效结果方面，ResNet50在训练队列中AUC值最高达0.973，ResNet18在测试队列中AUC值最高为0.956。
RF模型在两个队列中ACC和AUC均较高，训练队列中ACC为0.817、AUC为0.897，测试队列中ACC为0.814、AUC为0.807。
在测试队列中，基于RF的病理组学ACC值达81.4%，高于病理学家独立审查水平。
经过一个月洗脱期，病理组学辅助下两级病理学家平均ACC有所提高。通过ROC曲线、AUC、ACC、SE、SP、PPV和NPV评估训练和测试队列中的模型性能，还采用DCA评估临床实用性。
图2 ResNet18、ResNet50和ResNet101识别肿瘤区域ROC曲线比较
安全性：
本研究未提及安全性相关信息，在生活质量评估和后续评估方面也未涉及。
本研究利用ResNet18 模型识别LUAD全切片图像（WSIs）中的肿瘤区域，发现ResNet模型性能不随层数增加而显著变化，ResNet18在训练和测试队列中AUC值分别为 0.957 和 0.956，测试队列中准确率达90.4%，即使肿瘤组织有限也能准确定位。
针对肺癌诊断中组织标本形态学评估标准主观性强的问题，采用基于机器学习的病理组学方法预测GGN型LUAD的侵袭性，应用LASSO模型将206个WSI 级特征缩减为7个重要特征，使用多种机器学习模型构建预测模型，RF和ExtraTrees在测试队列中准确率均为0.814，RF的AUC值为0.807。
传统病理诊断存在主观性强、效率低、耗时长等问题，尤其在手术病例少且缺乏亚专科病理学家的医院更为突出，病理组学辅助工具能帮助病理学家有效调整诊断水平，提高诊断准确性，深度学习模型可助病理学家快速解读肿瘤区域，在病理组学帮助下，病理学家在准确率、AUC 等指标上均有所提高。
本研究的主要发现是，利用ResNet18模型识别LUAD肿瘤区域有效可行，能提高病理学家工作效率并减少诊断遗漏。准确的术后GGNs侵袭性病理诊断对后续治疗和随访至关重要，病理组学辅助诊断能提升经验较少的病理学家的诊断效率，数字病理与人工智能结合为决策提供客观支持，具有重要临床意义。
本研究探索了深度学习与病理组学结合识别LUAD肿瘤侵袭性的可行性，构建了实用工具辅助初级和中级病理学家，这是其临床价值。
与过往研究不同，本研究旨在提高初级和中级病理学家的诊断能力，解决区分微浸润腺癌与浸润性腺癌的难题，助力诊断标准化。
但本研究存在一定局限性，如训练和测试队列样本量较小、WSIs 由病理学家手动注释、仅使用 ResNet 模型且缺乏详细亚型分析。后续将扩大队列、探索弱监督或无监督方法、对比其他模型、进行更详细亚型分析。
总之，本研究为肺腺癌诊断提供了新思路和方法，具重要临床应用潜力。
