人工智能在淋巴瘤诊疗中的应用与展望.pdfVIP

·１０·临床与实验病理学杂志ＪＣｌｉｎＥｘｐＰａｔｈｏｌ２０２４Ｊａｎ；４０（１）

网络出版时间：２０２４－０１－２５１１：４８：０５网络出版地址：ｈｔｔｐｓ：／／ｌｉｎｋ．ｃｎｋｉ．ｎｅｔ／ｕｒｌｉｄ／３４．１０７３．Ｒ１５５１．００４

人工智能在淋巴瘤诊疗中的应用与展望

龚予希，张智弘

关键词：淋巴瘤；病理；人工智能；预后（ｆｏｌｌｉｃｕｌａｒｌｙｍｐｈｏｍａ，ＦＬ）和套细胞淋巴瘤（ｍａｎｔｌｅｃｅｌｌｌｙｍ

中图分类号：Ｒ７３３４文献标志码：Ａｐｈｏｍａ，ＭＣＬ）进行准确分类，平均准确率为９６６８％。Ａｃｈｉ

［６］

文章编号：１００１－７３９９（２０２４）０１－００１０－０４等使用ＣＮＮ算法构建淋巴瘤诊断模型以区分良性淋巴

ｄｏｉ：１０．１３３１５／ｊ．ｃｎｋｉ．ｃｊｃｅｐ．２０２４．０１．００４结、Ｂｕｒｋｉｔｔ淋巴瘤（Ｂｕｒｋｉｔｔｌｙｍｐｈｏｍａ，ＢＬ）、弥漫大Ｂ细胞淋

巴瘤（ｄｉｆｆｕｓｅｌａｒｇｅＢｃｅｌｌｌｙｍｐｈｏｍａ，ＤＬＢＣＬ）和小淋巴细胞性

数字病理学（ｄｉｇｉｔａｌｐａｔｈｏｌｏｇｙ，ＤＰ）是通过复杂的计算淋巴瘤（ｓｍａｌｌｌｙｍｐｈｏｃｙｔｉｃｌｙｍｐｈｏｍａ，ＳＬＬ）４类，实现了９５％

［７］

机技术将组织学切片转换为数字图像的过程，以便基于机器的病理诊断准确率。Ｌｉ等通过ＡＩ技术分析了来自三家

学习（ｍａｃｈｉｎｅｌｅａｒｎｉｎｇ，ＭＬ）技术对病理信息进行处理与解医院的ＤＬＢＣＬ和非ＤＬＢＣＬ图像，且其建立的ＧＯＴＰＤＭＰ

［１］ＣＮＮｓ平台诊断ＤＬＢＣＬ的准确性近１００％。对于ＢＬ和ＤＬ

释。ＭＬ是人工智能（ａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅ，ＡＩ）的分支，其

［８］

传统方法包括随机森林、逻辑回归、贝叶斯方法和Ｃ５决策树ＢＣＬ的诊断评估，Ｍｏｈｌｍａｎ等的ＣＮＮ模型最高准确率可

等，而现代深度学习算法包括卷积神经网络（ｃｏｎｖｏｌｕｔｉｏｎａｌ达９４％，受试者工作曲线下面积（ａｒｅａｕｎｄｅｒｃｕｒｖｅ，ＡＵＣ）达

［９］

ｎｅｕｒａｌｎｅｔｗｏｒｋ，ＣＮＮ）、递归神经网络、长短时记忆网络和深９２％。Ｍｉｙｏｓｈｉ等证明当仅基于ＨＥ染色图像时，ＡＩ区分

度信念网络等。深度学习算法模拟人脑神经元，数千层的神ＤＬＢＣＬ、ＦＬ和反应性淋巴结增生的准确度优于７位病理医

经元构成神经网络，而每一层的神经元则会接收来自对应底师。

层神经元的信息输入，随后使用监督、无监督或半监督学习免疫组化法（ｉｍｍｕｎｏｈｉｓｔｏｃｈｅｍｉｃａｌｓｔａｉｎｉｎｇ，ＩＨＣ）是辅助

［２］淋巴瘤诊断必不可少的工具。不同亚型的淋巴瘤有不同的

来提取图像特征，加以整合，调整后传递给下一层神经元。

这些飞速发展的技术已广泛应用于乳腺癌、膀胱癌、胃癌和ＩＨＣ表达谱，根据肿瘤的形态特征选择相关的ＩＨＣ组套可对

肺癌等多种肿瘤的精准病理诊断、预后预测和生物标志物鉴淋巴瘤进行亚型鉴定。临床工作中，ＩＨＣ结果的判读与分析

定等相关领域［３－５］。对于淋巴瘤患者，精准的病理诊断及预多取决于病理医师的专业知识