通过不确定性量化的高灵敏度泛癌种淋巴结转移AI评估

这对癌症护理为何重要

当癌症扩散时，它常常首先到达称为淋巴结的小型免疫枢纽。在显微镜下检查这些淋巴结有助于医生判断疾病严重程度并决定推荐的治疗方案。但随着癌症病例增多和组织形态的复杂性增加，病理学家面临沉重的工作负荷，并且罕见或不寻常的病例可能被遗漏。该研究介绍了一种新的人工智能系统，不仅能识别多种肿瘤类型的转移，还能判断何时可能出错并请求人工介入。

读取微小预警信号的挑战

淋巴结充当检查站，癌细胞可能在此停留并生长。淋巴结是否受累以及受累程度强烈影响患者的预后。传统的分期系统主要统计含癌的淋巴结数量，而忽视了诸如癌灶大小或在结节内的分布等细节。新研究表明，这些更精细的特征与生存期相关。同时，病理学家现在必须检查比以往更多的淋巴结，通常每例手术超过十个，使得在日常实践中逐例进行细致测量变得非常困难。

为何常规AI工具不够

计算机算法已经开始帮助读取数字切片，但大多数系统每次只关注一种癌症类型，并将所有输入视为熟悉的情况。实际上，淋巴结中的癌变在不同器官间呈现长尾的罕见形态和生长模式。标准深度学习模型在遇到这些不寻常图像时，可能对错误答案极为自信。对于漏诊癌灶这样严重的问题，这类过度自信的错误是不可接受的。作者认为，安全的医疗AI必须不仅追求准确性，还必须能识别自身的不确定并寻求帮助。

面向多种癌症的单一平台

研究团队构建了一个名为UPATHLN的系统，用于分析来自多种实体肿瘤的淋巴结数字切片。首先，一对模型自动定位并勾画淋巴结组织，过滤掉肌肉和脂肪。然后，一个强大的图像编码器——此前在超过十万张病理切片上训练过——在两个放大层级上检查结节的小块，以同时捕捉细胞细节和更大尺度的模式。专门的分类分支评估每个图块包含癌变的可能性，而另一个独立分支则学习预测该判定的可信度，基于主模型在训练期间的表现。

教系统学会标记疑点

团队没有事先为每张切片标注所有区域，而是使用主动学习循环。他们从现有的已整理数据集开始，在三家医院的大量新切片上运行系统，然后只请病理学家复核AI标记为最不确定的区域。这些高不确定性区域常常包含被误分类的组织或罕见模式。经过五轮这种人机循环后，性能稳步提升。在内部测试中，该系统在区分癌变与正常组织方面达到了很高的得分。更重要的是，分类器单独会漏诊的每一个病例都被不确定性分支标记，从而保证这些高风险切片会被送交病理学家复核。

跨器官与罕见癌种的安全性

作者随后在来自十四个不同原发肿瘤部位的超过一万六千个淋巴结上测试了UPATHLN，其中包括系统训练时从未见过的七种癌症类型。若仅看AI的原始是/否输出，仍会有部分转移淋巴结被判为阴性。然而，在每一个此类漏诊中，不确定性分支都发出了警告，因此在将被标记的病例交由病理学家复核的前提下，组合流程达到了完全的敏感性。与此同时，大约四分之三的无癌淋巴结被有把握地判为阴性，从而大幅减少了复核负担。对于罕见或极不寻常的病例，系统通过标记更多区域而表现得更为谨慎，反映出一种强调安全高于自动化的偏好。

这对患者和医生意味着什么

UPATHLN表明，如果一个AI系统被构建为估计自身不确定性并从最难的病例中学习，它就能在多种癌症类型上安全地辅助病理学家。通过自动剔除明显的阴性淋巴结，同时将模糊或罕见模式路由给人类专家，它有潜力减轻工作量并支持更细致地衡量每个淋巴结中癌变的多少。该研究尚未证明该工具在全球日常使用中的表现，但为一种不再像万无一失的神谕而更像会在必要时请求复审的谨慎同事的AI铺就了道路。

引用: Wang, X., Chen, Y., Liu, X. et al. High-sensitivity pan-cancer AI assessment of lymph node metastasis via uncertainty quantification. npj Digit. Med. 9, 368 (2026). https://doi.org/10.1038/s41746-026-02564-y

关键词: 淋巴结转移, 计算病理学, 医疗AI安全, 不确定性量化, 泛癌种诊断