用于显微高光谱成像中无染色乳腺癌检测的多尺度分层注意力网络

为什么观察无色组织可能改变癌症护理

大多数医院实验室仍依赖染色剂和病理学家专业的肉眼来诊断乳腺癌。本研究探索了一条不同路径：读取来自完全未染色组织的微小光谱“指纹”，并让人工智能系统判断是否存在癌变。如果这样的无染色自动化方法被证明可靠，它可能缩短出结果的等待时间、降低成本，并使不同医院之间的诊断更加一致。

看到超出肉眼所见的内容

研究人员不使用常见的粉红紫色显微镜切片，而是采用显微高光谱成像，它记录组织切片上每个点如何反射数百个精确波长的光。这些光谱携带着关于细胞内分子（如蛋白质和核酸）的线索，尽管肉眼看上去组织几乎无色。研究团队建立了由60名乳腺癌患者构成的新数据集，涵盖468个组织切片。每个切片在20个位置采样，产生的三维数据块同时编码了精细的细胞结构和远超标准红绿蓝图像的丰富光谱特征。

让计算机评判整个切片

一个主要障碍是这些无染色图像的视觉对比度较弱，明显的癌变模式容易被噪声和正常组织淹没。作者没有单独评判微小区域，而是将诊断重新表述为“包级”决策：将每个组织切片视为若干补丁（patch）的集合，模型必须权衡所有补丁以决定切片是否为癌变。机器学习中称为多实例学习的这种设置，类似于病理学家在写报告前从多个视野整合线索的思路。

对细胞和波长的智能聚光

研究的核心是一种名为多尺度分层注意力网络（MS-HAN）的新模型。对于每个补丁，MS-HAN首先使用几条不同尺寸并行的滤波器来捕捉多个细节层级的模式，从微小的细胞特征到稍大的结构。随后它应用双重“注意力”机制：一方面学习哪些波长的光最有信息量，另一方面突出补丁中最可疑的区域，类似聚光灯在视野中扫动。内置的聚类步骤鼓励具有相似光谱指纹的补丁围绕学习到的原型聚合，从而使模型对不同患者之间的自然变异不那么敏感。

将补丁拼接成最终结论

一旦每个补丁被提炼为紧凑描述，MS-HAN使用类似变换器的模块来捕捉补丁之间在整个组织切片上的相互关系。有些补丁可能相互强化其信号，而另一些通过表现得更像正常组织提供重要对比。基于注意力的池化步骤随后将这些补丁级信号合并为对整个切片的单一表征，传入两个协同的决策分支，共同产生最终的“癌”或“非癌”标签。这种分层、具有上下文感知的设计旨在模拟专家如何从单个细胞簇推断出总体判断。

实际效果如何？

在一组未见过的94个组织切片的测试集中，MS-HAN在大约87%的病例中正确区分了肿瘤与邻近的非肿瘤组织，并且在避免漏检和误报方面表现良好。它优于若干在常规染色切片上表现良好的主流替代方法，表明针对高光谱数据特殊需求调整架构是有回报的。注意力图显示模型关注的是密集的异常细胞簇和特定波长范围，这在定性上与病理学家的期望一致，尽管这些可视化解释仍需专家进行正式审查。

这对未来患者意味着什么

研究的结论是，结合丰富光谱信息与定制的基于注意力的模型进行无染色乳腺癌诊断在技术上是可行的，并且可以达到与当今针对染色切片的最佳计算工具相当的准确度。如果在更大规模的多院队列中得到验证并在速度上进行优化，这种方法可望省去化学染色步骤、加快术中决策并提供更客观的第二意见。长期来看，它暗示了这样一种未来：通过专门的人工智能解读的简单无标记组织扫描，能够帮助病理学家更快、更一致地做出癌症诊断。

引用: Chen, Z., Yang, Q., Qin, G. et al. MultiScale hierarchical attention network for stain free breast cancer detection in microscopic hyperspectral imaging. Sci Rep 16, 9404 (2026). https://doi.org/10.1038/s41598-026-39267-z

关键词: 乳腺癌诊断, 高光谱成像, 无染色病理, 深度学习注意力, 多实例学习