利用医学影像和深度学习通过组织病理图像诊断乳腺癌

为何早期发现至关重要

乳腺癌是全球女性癌症死亡的主要原因之一，但在疾病被及早发现时，预后会显著改善。医生通常通过在显微镜下检查微薄的组织切片来诊断乳腺癌，这一过程称为组织病理学。这些图像含有关于细胞是无害还是危险的丰富细节，然而阅读这些图像耗时且不同专家之间可能存在差异。本研究探讨了现代人工智能如何帮助病理学家更快、更一致地发现乳腺癌，从而可能为患者带来更快的诊断结果和更有效的治疗选择。

更近距离地观察组织图像

在显微镜下，乳腺组织并不会整齐地分为“健康”和“癌变”两类。细胞互相重叠，不同实验室的染色颜色会有所不同，形状或纹理的细微变化可能具有生死攸关的意义。传统的计算机辅助系统难以应对这种复杂性，因为工程师需要手工设计计算机应寻找的特征，而染色或图像质量的微小变化就可能使这些特征失效。深度学习是人工智能的一个分支，能够直接从数据中学习模式，近来已经改变了计算机解释图像（包括医学影像）的方式。作者在此基础上构建了一个针对乳腺组织切片混乱现实的系统。

在读取前清理图像

他们方法的第一步既简单又有力：在让计算机解读之前先清理图像。组织病理切片常常含有来自染色和成像过程的视觉“噪声”，这些噪声会掩盖指示早期癌变的细小结构。研究者采用称为维纳滤波（Wiener filtering）的一种技术，它在平滑随机斑点的同时保留锐利边缘和细微结构，例如细胞边界和小团块。通过向计算机呈现更清晰的图像，这一步有助于避免漏诊和可能导致患者接受不必要检查的误报。

教计算机关注哪些信息

接下来，团队使用一种复杂的深度学习模型——SE‑ResNet 来研究清理后的图像。简单来说，该模型按图像补丁（patch）逐步扫描切片，内部逐渐构建起一种“视觉词汇”：正常导管的样子、肿瘤细胞如何聚集、以及随着癌变进展纹理如何改变。内置的注意力机制帮助网络强调最具信息量的图像通道，弱化无关背景。这使模型对微妙的疾病相关模式更为敏感，并保持计算效率，足以在现实医院硬件上运行。

像讲故事一样捕捉空间上的模式

研究者并不将每个组织补丁视为孤立的快照，而是认识到疾病信号常常像故事一样在切片上展开。为捕捉这种特征，他们将 SE‑ResNet 提取的特征输入到双向长短期记忆网络（BiLSTM）。这类模型擅长理解序列：它既向前又向后地观察区域间模式如何变化，类似于双向阅读一句话以把握其完整含义。通过学习这些空间关系，BiLSTM 能更好地区分良性变化与真正的恶性病变。

系统在实践中的表现如何

作者在大型公共乳腺组织图像集合上测试了他们的完整流程——去噪、特征学习与序列建模——包括广泛使用的 BreakHis 数据集。他们以不同比例将数据划分为训练组和测试组，并将其方法与许多已建立的深度学习模型进行了比较。在这些实验中，他们的系统对良性与恶性样本的分类准确率接近 99%，在性能上优于竞争方法且运行速度更快。该模型在不同放大倍率下仍表现稳健，表明其能够适应在不同条件下制备的切片。然而，研究也指出了局限性：数据集规模仍然有限，模型关注的是简单的两类决策而非更细的肿瘤亚型，并且尚未在真实临床工作流程中得到验证。

这对患者和医生意味着什么

对普通人来说，核心信息是计算机在读取乳腺组织显微图像并标记可疑区域方面变得更为出色。所提出的系统并不取代病理学家；相反，它像一个高度专注的助手，突出可能为癌变的区域并以很高的准确率提供第二意见。如果在更大、更具多样性的患者群体中得到验证，这类工具可以缩短诊断时间，减少小病灶被漏诊的机会，并帮助负荷过重的医院应对增长的病例量。未来工作需要在更多种类的切片上测试该方法并将其整合到日常实验室流程中，但这项研究表明，精心设计的深度学习系统可以成为抗击乳腺癌的有力助手。

引用: Nagalakshmi, V., Ahammad, S.H. Leveraging medical imaging and deep learning for diagnosis of breast cancer using histopathological images. Sci Rep 16, 6236 (2026). https://doi.org/10.1038/s41598-026-37663-z

关键词: 乳腺癌诊断, 组织病理图像, 深度学习, 医学影像, 计算机辅助检测