首页 > 文章详情

登顶《柳叶刀》子刊！广东省人民医院周海榆&张庆玲等团队创新突破：用AI从肺癌标本照片中直接诊断病理侵袭

04月08日

来源：NGDP新病理

在胸外科手术室，时间是以分钟甚至秒来计算的。对于临床IA期肺腺癌患者，手术台上的关键决策——是做创伤较小的亚肺叶切除，还是需要更彻底的肺叶切除加淋巴结清扫——很大程度上取决于一个核心问题的答案： 这个结节是浸润前的，还是已经浸润了？

传统的答案是 术中冰冻切片 。但所有病理科和外科医生都深知其局限：耗时至少30分钟，取样有局限性，冷冻过程可能造成组织假象，更重要的是，对于精细的病理分级（尤其是IASLC分级系统），其诊断能力相当有限。

现在，一项来由广东省人民医院周海榆、张庆玲等团队于2026年4月1日在《The Lancet Digital Health》（中科院1区top，IF=24.1）上发表的研究“Deep learning model for pathological invasiveness prediction using smartphone-based surgical resection images in clinical stage IA lung adenocarcinoma (SuRImage): a prospective, multicentric, diagnostic study”，正在尝试用我们口袋里的工具—— 智能手机 ，结合前沿的深度学习AI，为这个经典难题提供一个更快、更准的新解法。

NGDP

从“肉眼观”到“AI判”

这项发表在顶级期刊《柳叶刀-数字健康》上的研究，最大的创新点在于其 独特的诊断对象 。它没有使用显微镜下的组织切片，也没有用CT、MRI等术前影像，而是直接瞄准了手术中切除下来的肿瘤标本的 宏观切面照片 。

研究团队从三家医院收集了超过1700名患者的近3000张标本图像。采集流程高度标准化：在手术室自然光下，将结节沿最大切面剖开，擦净血迹后，用智能手机垂直拍摄。这些图像包含了肿瘤的颜色、质地、边界、有无坏死等丰富的宏观形态学信息。

以往，这些信息主要依赖外科医生和病理医生的肉眼和经验进行主观判断。而SuRImage模型的核心，就是通过深度学习，让AI学会从这些宏观特征中，解读出与微观病理侵袭性高度相关的“密码”。

NGDP

双粒度网络的智慧

0 2

模型的架构设计体现了临床诊断的逻辑。它并非一个“黑箱”，而是由两个子网络协同工作：

CGPNet（粗粒度预测网络） ：先解决首要问题——是浸润前病变（包括原位腺癌AIS和微浸润腺癌MIA），还是浸润性腺癌（IAC）？这决定了手术的基本范围。
FGPNet（细粒度预测网络） ：在粗分类的基础上，进行更精细的划分，实现从AIS、MIA到浸润性腺癌的1、2、3级（依据IASLC分级）共五类诊断。这个分级直接关系到淋巴转移风险和是否需要系统性淋巴结清扫。

最后，模型还将图像特征与患者的年龄、结节大小等临床信息融合，形成最终的综合判断。这种“由粗到细”、“多模态融合”的设计，非常贴合临床决策的递进式思维。

NGDP

性能对决：AI模型 vs. 金标准冰冻切片

0 3

研究结果令人印象深刻。在内部和外部验证中，SuRImage模型在浸润性识别、三分类诊断和五级分项任务中，都展现了高且稳定的性能（AUC 0.78-0.90）。

但更关键的对比在于和现行“金标准”的正面交锋。数据显示：

在IASLC分级任务上，SuRImage的准确率达到89.24%，而冰冻切片仅为61.82%。
冰冻切片由于技术限制， 仅能对约3.36%的结节完成详细分级 ，而AI模型可以对所有病例给出分级预测。
对于冰冻切片诊断尤为困难的G1级（高分化）浸润性腺癌，AI的准确率（80.51%）远超冰冻切片（14.28%）。

这意味着，在许多冰冻切片无法给出明确分级或可能误判的病例中，AI模型能提供强有力的补充诊断依据。

NGDP

不止于替代：成为外科医生的“超级辅助”

0 4

这项研究的另一大亮点，是深入评估了AI对临床医生的辅助价值。试验邀请了不同年资的胸外科医生进行诊断，比较他们有无AI辅助下的表现。

结果发现，在SuRImage的辅助下：

低年资医生的分级准确率从63.80%显著提升至73.44%。
获得辅助的低年资医生，其诊断准确率甚至超过了未使用辅助的高年资医生。

这揭示了一个更深层的价值：SuRImage不仅仅是一个诊断工具，更是一个强大的决策支持系统和教学工具。它能够将顶尖专家从宏观图像中解读病理信息的“隐性经验”，在一定程度上标准化、可视化，并赋能给更多医生，有助于缩小不同医院、不同医生之间的诊疗水平差异。

NGDP

未来已来：机遇与挑战并存

0 5

从病理学的角度看，这项研究开启了一扇新的大门—— 宏观形态学的数字化与智能化 。它提示我们，在组织被制成切片、染上颜色之前，其原始的宏观状态本身就蕴含着极具价值的诊断信息，而AI极大地提升了我们解读这些信息的能力。

当然，从研究走向大规模临床应用，仍有路程要走：

标准化推广 ：如何在不同医院、不同光线条件、不同手机型号下，确保图像采集质量的一致性？
流程整合 ：如何将这套系统无缝嵌入到紧张的手术流程和病理工作流中？
责任与信任 ：AI的结论如何与病理医生的最终诊断权责相结合？

尽管如此，SuRImage研究无疑指出了一个明确的方向：未来，在肺癌的精准外科治疗中，我们或许真的可以期待， 外科医生在切开标本后，用手机拍照，几十秒内就能获得一份精准的病理侵袭性风险评估报告 ，从而为患者当场制定出最优化、最个体化的手术方案。

这不仅是AI在医疗领域的又一次胜利，更是 多学科协作（MDT）迈向实时化、智能化 的一个生动缩影。当外科、病理科与人工智能技术如此紧密地结合，最终受益的，将是每一位等待治愈的患者。

·end·

免责声明

本文仅供专业人士参看，文中内容仅代表NGDP新病理订阅号立场与观点，不代表肿瘤资讯平台意见，且肿瘤资讯并不承担任何连带责任。若有任何侵权问题，请联系删除。