200
评论
查看更多
密码过期或已经不安全，请修改密码
修改密码
壹生身份认证协议书
同意
拒绝
同意
拒绝
同意
不同意并跳过
乳腺癌是女性最常见的恶性肿瘤之一，如何在完整切除肿瘤的同时尽量多保留正常组织、减少对患者身体的损伤，一直是乳腺癌治疗领域的重要问题。在乳腺癌手术决策中，精准的术中诊断至关重要。然而，传统术中病理诊断方式存在耗时、烦琐、消耗组织等缺陷。动态全场光学相干成像（D-FFOCT）是一种高分辨率光学成像技术，能够快速生成虚拟病理图像。
2018年开始，王殊教授团队在全球率先采用D-FFOCT技术对乳腺组织及腋窝淋巴结组织进行成像，图像采集过程无需传统的组织取材、固定及病理染色，不破坏标本。D-FFOCT图像提供了鲜明的内部组织对比，能够以高分辨率勾勒组织的微观结构，可以实现组织结构的可视化，获得类似于传统病理学的“虚拟病理”图像。根据肿瘤细胞与正常细胞的代谢活性差异，医生经过短期培训就可以较高精度诊断D-FFOCT图像。相关成果发表在肿瘤权威期刊《癌症》（Cancer）杂志。
然而，对D-FFOCT图像进行人工诊断需要一定的病理知识储备，仍是一项智力、劳动密集型任务。面对这一难题，团队选择人工智能技术作为解决方案，进一步减少D-FFOCT诊断的人力消耗。
在Science Bulletin发表的研究论文中，团队共前瞻性收集224张乳腺良恶性疾病D-FFOCT图像，经人类专家标注图像的性质，采用高效能的深度学习框架Swin-T进行建模和测试。
结果显示，深度学习模型在独立测试集上表现优异，图像水平的诊断准确率、灵敏度、特异度分别为97.62%、96.88%、100%。对于不同临床病理信息的样本（如不同组织学类型、分子亚型），各亚组的诊断准确率均无统计学差异。使用可视化方法对深度学习模型的预测提供合理的解释，可发现模型主要学习到了恶性D-FFOCT图像中活跃细胞聚集的相关特征，与人类诊断经验类似。在不同组织学类型的乳腺癌中，该模型均可以学习到类似的特征，提示该模型适用于不同类型的肿瘤，具有未来向其他瘤种推广的潜力。在乳腺癌手术典型应用场景保乳手术中，模拟切缘诊断流程耗时约3分钟，约为传统术中诊断流程的1/10，而深度学习模型准确率达到95.2%，与冰冻病理诊断相仿。
这些结果表明，综合D-FFOCT快速、简便、无组织消耗的技术优势，再进一步结合人工智能的自动化特点，有望实现乳腺癌患者的自动化术中诊断流程，具有广阔的临床转化前景。
该研究并列第一作者为北京大学人民医院乳腺外科的张舒玮博士、首都经济贸易大学中国ESG研究院的杨滨博士和北京大学人民医院乳腺外科的杨后圃主任医师。北京大学人民医院乳腺外科王殊教授为文章的第一通讯作者。
医学博士，主任医师，教授，博士生导师，北京大学人民医院乳腺外科主任。长期从事乳腺癌诊治工作，擅长乳腺癌的早期诊断及精准治疗，在乳腺癌的外科、化疗、内分泌治疗、影像诊断及整形美容等方面有丰富经验。目前集中对乳腺癌智能影像诊断、前哨淋巴结活检新型示踪剂、乳腺癌体外类器官疗效预测以及家族遗传性乳腺癌等领域进行探索。曾获北京市科学技术奖、中国抗癌协会科技奖等。著有《乳腺癌腋窝淋巴结评估与处理》，主编《乳腺癌经典文献解读》，主译美国放射学会《乳腺影像报告与数据系统图谱》。承担多项国家自然科学基金、北京市自然科学基金及首都医学发展基金等，在Science Translational Medicine, Cancer, Oncogene, Breast Cancer Research and Treatment, Journal of Surgical Oncology等期刊发表文章多篇。
来源：北京大学人民医院
查看更多
中国医学论坛报
壹生
今日肿瘤
今日循环
今日糖尿病
今日口腔
全科周刊
脱贫地区农副产品网络销售平台
京公网安备 11010202008182号
| 互联网新闻信息服务许可证编号：10120190017