Zhang S, Yang H, Zhang Y, Li X, Zhao J, Zhang Y, et al.Virtual histology imaging of lymph nodes via dynamic full-field opticalcoherence tomography and deep learning to differentiate metastasis. CancerBiol Med. 2026; 23: 418-429. doi: 10.20892/j.issn.2095-3941.2025.0747

本研究采用双中心、前瞻性设计，共采集新鲜腋窝淋巴结的D-FFOCT成像切片747张，将其分为训练/验证集（n=590）和独立测试集（n=157），并通过滑窗裁剪D-FFOCT图像，构建了超30000张的图像块数据集。研究使用病理组织学诊断作为金标准，分别评估了外科医生（人类专家）和深度学习模型的诊断效能。

研究流程图

D-FFOCT实现虚拟组织学成像，精准识别淋巴结转移特征

D-FFOCT成像无需组织固定、染色及造影剂，可完整保留标本完整性，其成像结果与HE染色病理切片在组织和细胞水平高度吻合，能清晰显示转移和非转移淋巴结的典型特征。同时，D-FFOCT可识别不同乳腺癌类型的转移灶，可视化微转移灶，并可实现良恶性细胞的有效鉴别。

图1 D-FFOCT的淋巴结虚拟组织学成像

（A）正常淋巴结的皮质、髓质和被膜、淋巴滤泡、髓索结构显示，浸润性导管癌及黏液癌的转移淋巴结典型D-FFOCT图像；（B）D-FFOCT对微转移灶的识别；（C）转移性与非转移性淋巴结D-FFOCT图像的特征对比分析；（D）正常淋巴细胞与肿瘤细胞的细胞大小及色彩特征定量比较

深度学习模型性能媲美人类专家，诊断效能优异

研究团队基于Swin Transformer（Swin-T）架构构建深度学习模型，对28911张图像块进行训练，通过图像块分类与特征融合，实现切片水平的转移状态预测。Grad-CAM热图显示，模型诊断聚焦于恶性细胞簇集等关键区域，诊断经验与人类相似。

在独立测试集中，该深度学习模型在切片水平的诊断灵敏度为87.88%、特异度为91.94%，受试者工作特征曲线下面积（AUC）达0.899，诊断准确性为91.08%。模型诊断性能与经D-FFOCT培训的资深乳腺外科医师无统计学差异（P=0.627）。

图2 专家与深度学习模型的诊断性能对比

（A）外科医生对747张切片的诊断结果；（B）测试集图像块特征表示的t-SNE可视化；（C）深度学习模型在157张测试集的诊断混淆矩阵；（D）测试集中模型与人类专家诊断的ROC曲线对比；（E）叠加Grad-CAM热图的D-FFOCT图像显示，模型可识别典型、非典型两种恶性细胞模式。

人机协同的新型诊断体系

鉴于人类专家诊断具有更高的诊断特异度，研究团队构建了人机协同诊断工作流：由深度学习模型完成初筛，仅对模型判定为阳性的病例交由医师复核确诊。该模式下，仅24.84%的淋巴结需人工读片，临床诊断工作量降低75%，同时使诊断特异度进一步提升至98.39%，整体准确率达93.63%。除微转移和孤立肿瘤细胞（ITC）亚组中诊断效能受限外，该协同诊断体系在各亚组中均表现优异，为后续模型优化指明了方向。

与传统淋巴结评估方法相比，D-FFOCT联合AI的联合诊断体系具有显著临床优势：成像分辨率达微米级；全程耗时约20分钟，快于冰冻病理和分子检测技术；完全保留组织样本；人工消耗低，设备与空间成本适中，更适合临床推广应用。

图 4 光学+人工智能结合诊断流程及亚组诊断结果

（A）深度学习模型（左）与人机协同模式（右）在测试集及各亚组中的各项性能指标对比；（B）基于D-FFOCT联合深度学习的淋巴结评估简化诊断流程可显著降低人力需求，无需组织制备，并能保留标本完整性用于后续其他检测。

本研究通过大样本、双中心、前瞻性队列，首次系统验证了D-FFOCT联合深度学习在乳腺癌腋窝淋巴结转移诊断中的临床价值。该技术可实现无消耗、近病理级实时成像，AI诊断效能媲美人类专家；人机协同模式大幅降低临床工作量，并进一步提升诊断特异度，为术中淋巴结快速评估提供了全新方案。

作为新型光学成像技术，D-FFOCT兼具无标记、高分辨率、组织保留、实时成像等优势，与AI自动化分析结合，突破了传统病理诊断的瓶颈。结合团队前期成果，D-FFOCT技术已实现乳腺癌原发灶-手术切缘-淋巴结等术中诊断场景的全覆盖。此外，D-FFOCT所呈现的肿瘤细胞异型性、组织结构紊乱等关键特征与病理诊断的核心特征高度一致，未来可拓展至多种实体瘤淋巴结转移评估。

目前该技术仍存在一定优化空间，如微转移灶识别能力、成像伪影尚待改进等。团队未来将持续优化模型、改进成像技术，在开发三维立体成像与图像定量化解析方面继续深耕，推动该技术向临床转化与普及。

总之，本研究将光学成像与人工智能深度融合，为肿瘤术中无创快速精准诊断开辟了新路径。

王殊 教授

北京大学人民医院

长期致力于乳腺癌精准诊疗技术研发与转化，以临床需求驱动技术革新，在术中智能诊断、基因组学分析、个体化治疗模型及行业标准制定等领域取得系统性突破。获省部级科技奖3项（北京市科学技术进步奖、华夏医学科技奖等），累计发表SCI论文100余篇（他引1400余次），主持国家级项目6项（含国家重点研发计划3项，国家自然科学基金3项），实现2项专利产业化，构建了从基础研究到临床实践再到产业转化的系统性创新生态，显著提升乳腺癌个体化诊疗水平。