中国医科大学，最新《自然·通讯》：弱监督人工智能在多癌种全切片图像淋巴结转移检测中的应用

深度解析医学证据，DeepEvidence为你支撑决策

背景介绍

淋巴结转移的准确评估对于癌症的TNM分期和治疗策略选择至关重要，但病理学家的准确判读不仅耗时费力，且易出现假阴性。基于全切片图像的深度学习技术已被开发用于多种癌症的淋巴结转移检测。CAMELYON16首次实现了AI在淋巴结转移自动检测上达到病理医师水平，但遗憾地排除了孤立肿瘤细胞。CAMELYON17虽然纳入了ITCs这一最小转移类型，但所有算法在ITCs检测上表现均不佳（准确率0%-34.3%）。此外，全监督深度学习方法依赖病理学家的大量手动标注，费力且易产生标注偏差。近年来弱监督多实例学习算法虽已广泛应用于病理WSI分类，但已报道的CLAM、DSMIL等方法均未进行精确的四分类，而基于Transformer的TransMIL迄今尚未应用于LNM检测任务。

研究思路

针对上述挑战，中国医科大学肿瘤医院朱延美教授与大连理工大学贾棋教授团队提出了一种结合Vision Mamba与高低注意分离机制的MIL模型——MambaMIL+HiLA-MIL。该模型在四种特征提取器（ResNet、UNI、Virchow、GigaPath）下与六种基线模型进行了十折交叉验证对比，显著优于所有基线。模型在ITCs和微转移检测中表现优异，同时保持阴性和宏转移的高性能，在多癌种及各癌种中均展现出良好的稳定性。UNI和GigaPath的特征提取性能显著优于ResNet和Virchow。该多癌种四分类淋巴结转移模型在多中心和多种特征提取器下均表现出高效性和鲁棒性，为临床淋巴结转移分类提供了可靠工具。相关内容以 "Weakly supervised artificial intelligence for multi-cancer detection of lymph node metastasis on whole slide images" 发表在 《Nature Communications》！

图片解析

图1. 基于四种特征提取器（ResNet、UNI、GigaPath、Virchow）的NIMM数据集上六种基线模型与MambaMIL+HiLA-MIL模型的四分类及各LNM类别的ROC曲线： MambaMIL+HiLA-MIL在整体四分类及ITCs和微转移识别中均显著优于所有基线模型。

图2. GigaPath特征提取器下NIMM、YDSY和DLZX数据集上多癌种及单癌种的ROC曲线： (a) NIMM数据集上多癌种及五种单癌种的ROC曲线。(b-c) 外部DLZX和YDSY数据集上多癌种及单癌种的ROC曲线。MambaMIL+HiLA-MIL在多癌种及多数单癌种中实现了最优或次优的鉴别性能。

图3. TransMIL、MambaMIL和MambaMIL+HiLA-MIL模型的可视化图像及原始H&E WSI： (a) 宏转移。(b-c) 微转移。(d) ITCs。红色代表高注意分数，蓝色代表低注意分数，病理学家标注的癌转移区域用黑色和黄色边框标记。MambaMIL+HiLA-MIL对病灶区域的注意分数最高，非病灶区域注意分数最低，与真实病灶对应最精确。

图4. HiLA-MIL框架示意图： (a) WSI数字扫描与处理——将多癌种WSI分割为独立实例块。(b) 教师网络——未分离的实例块经实例编码器提取特征，通过注意分数加权并经MIL聚合器生成袋级预测。(c) 学生网络——基于注意分数将实例解耦为高注意和低注意子集，经两个并行通路处理，通过袋级交叉熵损失和分离增强损失联合优化。

结论

本研究开发了用于多癌种淋巴结转移检测的弱监督WSI分类模型MambaMIL+HiLA-MIL。该模型在多中心和多种特征提取器下，在整体四分类任务中达到最优性能，尤其对ITCs和微转移表现出良好的检测能力，特别是对ITCs。模型在多癌种及各癌种中均展现出良好的稳定性。UNI和GigaPath在整体四分类中的综合性能显著优于ResNet和Virchow。该多癌种四分类LNM模型在多个中心和特征提取器下实现了有说服力的效能和鲁棒性，特别是突出的ITCs检测能力，为临床LNM分层提供了可靠工具。该研究成功克服了CAMELYON17中ITCs检测的技术瓶颈，在ITCs检测的AUC和灵敏度方面均显著优于已报道的VIS算法等。