数字病理学与肺癌研究进展 .pdf

数字病理学与肺癌研究进展

【摘要】肺癌是全球最常见的癌症类型之一，早期现和精准诊断在肺癌诊治中至关重要。

然而，传统的病理学诊断方法存在诸多局限性，包括诊断过程的繁琐性和结果的难以统一性。

相比于传统病理学，数字病理学通过数字化病理信息，与人工智能结合，能实现快速且精准

的辅助诊断，并可深入探索患者的肿瘤特征和微环境信息,有望为肺癌的精准诊疗提供支持。

本文对近年来数字病理学在肺癌诊断、分期、治疗和预后等方面的应用进行了阐述，并对当

前数字病理学面临的挑战进行了相应的探讨。

数字病理学与肺癌的时代背景

肺癌在全球范围内是恶性肿瘤的首要死因［1］。特别是在我国，肺癌的高病率严重威

胁着人民的健康，同时也对医疗卫生和社会资源造成了广泛的消耗和经济负担［2］。因此，

早期现和精准诊断在肺癌诊治中至关重要。

传统病理学可以明确肺癌的病理亚型和分子特征，并可以辅助分期判断，其在肺癌的诊

断和辅助治疗决策中挥着重要的作用。然而，组织切片的病理诊断是一个复杂的过程，病

理科医师需要持续关注组织切片细节，极易疲劳。另一方面，不同病理科医师在视觉感知、

信息整合和判断方面存在差异，导致部分诊断结果无法统一。此外，我国面临着医疗资源分

配不均的难题，各地区病理科医师的水平存在一定差异［3］o

相比于传统病理学，数字病理学具有多方面的优势，可以较好地克服传统病理学存在的

诸多不足。数字病理学是一个概括性术语，集成了病理切片数字化和相关元数据的工具和系

统，其功能主要包括数字图像的存储、浏览、分析等［4］。在数字病理学领域，最常见的应

用方法之一是远程病理会诊，通过使用先进的扫描仪产生高精度的数字全切片图像，再将之

存储、传输，便能较好地开展远程病理会诊，在一定程度上合理地配置各地区医疗资源［5］。

此外，随着人工智能(artificialintelligence,AI)的广泛开与应用，将AI应用于数

字化的全切片图像，可以捕捉肉眼不易识别的特征，以完成人脑难以实现的任务，具有在减

少病理科医师工作量的同时实现精准诊断的优势。这是数字病理学未来展的主要方向，也

被称为计算病理学(computationalpathology,CPATH)［6］。计算病理学基于数字病理学，

可以有效解决传统病理学的痛点，具有相当广泛的应用前景。

数字病理学中的人工智能

为了更好地理解AI在数字病理学中扮演的角色，在此对AI在数字病理学中的应用方法

做简单的说明。机器学习是数字病理学中AI最常见的应用方式。机器学习是AI的一个分支,

它使得计算机系统能够从经验中学习并根据这些学习成果改进其性能［7］。其中最重要的部

分就是模型的训练过程。因为整张切片图像体积过大，大部分训练方法是先将全切片图像拆

分成一个个图像块，接着利用算法得到每一个单独图像块的预测分数，然后整合得到整张切

片或者某位患者的预测值，最后根据每一个图像块的标签进行拟合完成训练［8］。

机器学习的核心是算法的开，其中，目前应用较为广泛的算法是深度学习。与之并列

的算法还包括决策树、随机森林算法、支持向量机、K邻近算法、梯度增强机等，但相较于

深度学习而言，这些算法的效能较弱。深度学习是基于多个隐藏层的神经网络，而神经网络

是一类模拟人脑工作机制来进行信息处理的算法，它由大量的单元组成，这些单元通常被组

织成不同的层。传统的神经网络可能只包含输入层、一个或少数几个隐藏层和一个输出层。

当神经网络包含多个隐藏层时，它们就被称为深层神经网络，这也就是深度学习的核心［9］。

深度学习涉及到的网络结构可以非常深，包含数十甚至数百个隐藏层，因此能够学习非常复

杂的特征表示。但也正因为涉及数百个隐藏层，深度学习的可解释性极差，遂被称为是黑箱

模型［10］0

学习范式的选择也是机器学习中不可或缺的一环，包括监督学习、无监督学习、半监督

学习和弱监督学习［10-11］0在监督学习这一种范式的训练中，每一个输入数据都有着对应

的输出标签，以此来进行模型的训练，试图让算法找到输入和输出之间的映射关系。与监督

学习不同，无监督学习处理的是无标签的数据集。算法尝试在未指导的情况下现数据中的

结构，如通过聚类分