重塑病理学：人工智能助力前列腺癌精准诊断

前列腺癌病友交流群 2025年02月05日 16:16 187 癌症群管理

群管微信号：yjyxiaoxuan2
2025全国肿瘤交流群,病种分类.
已有10万+病友进群讨论,广告勿扰!
复制群管微信号

众所周知，肿瘤的预后很大程度上与病理结果息息相关。除了常规TNM分期，前列腺癌病理的分级主要依赖Gleason系统评分，患者的Gleason评分不同，预后则截然不同［1］。另外，前列腺癌的病理特性与其他恶性肿瘤不同，病变很多都呈多灶性，不同病灶内肿瘤的级别和恶性程度不一，一些肿瘤呈惰性，极少发生转移，而另一些Gleason评分较高的肿瘤则表现出显著的侵袭性生物学行为。因此，前列腺癌的病理诊断尤为重要，准确诊断前列腺癌、准确描述病理信息对于前列腺癌患者的精准治疗（治疗方案、治疗范围、治疗程度等）和预后预测都具有极其重要的意义。

对于病理科医师来说，完成一个准确的病理诊断需要多年的专业培训以及丰富的专业知识和病理阅片经验，同时病理切片的阅读也是一项非常繁重的工作，因此病理诊断准确性会受到很多外在因素的影响。有文献表明：对于乳腺癌的病理诊断，不同的病理医师总体符合率是75.3%。在某些类型的乳腺癌诊断中，诊断结论一致性却低至48%［2］。前列腺癌诊断的一致性同样很低：Maghrabi等报道的结果显示，在212个前列腺穿刺标本的病理阅片中，不同的病理医师之间的诊断有41.5%是不一致的［3］。此外，按照规范，对于前列腺癌的病理诊断，不论是穿刺还是非穿刺标本，病理科医师都应该完整地阅读每一张切片并给出诊断，然而实际诊断中无法在高倍镜下阅读所有的切片，使得诊断具有一定的局限性。理想化的人工诊断需要耗费大量的时间和精力。

重塑病理学：人工智能助力前列腺癌精准诊断

人工智能技术概述及其目前在医学中的应用

20世纪50年代，随着计算机的出现，人工智能（artificial intelligence，AI）逐渐起步，特别是近10年，伴随着信息爆炸，每18个月计算处理能力就会加倍，人工智能技术得以飞速发展。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，核心在于算法。Lecun等人提出的卷积神经网络（convolutional neural networks，CNN）是第一个真正多层结构学习算法，CNN利用“迁移学习”理念，把已训练好的模型参数迁移到新的模型来帮助新模型的训练，也就是运用已有的知识来学习新的知识，找到已有知识和新知识之间的相似性，利用空间相对关系减少参数数目以提高训练性能［4］。目前，该技术已经成功应用于计算机视觉、语音识别和自然语言处理等其他领域。尽管我们看到人工智能在这些领域取得了巨大的进步，但是该技术在医疗领域的发展目前还十分有限，其中最主要的原因在于大量的数据需要相关医学专家进行解读，并且需要对计算机进行大量数据的训练，因此难以实现复杂的深度学习。

开展人工智能技术诊断前列腺癌病理的意义

首先，减少病理医师工作负担。医师仅需审核报告即可，将病理医师从繁重的初级工作中解放，从而有时间精力研究更加复杂的疾病诊断工作；其次，将前列腺癌病理数字化，易于保存、传输和交流，可对病理结构纹理进行分析，对数据进行定量，对临床科研具有重要意义；

然后，通过构建数字化前列腺癌病理体系，增加了与国外顶级专家沟通、交流的方便性，并且通过顶级专家标注的前列腺癌病理诊断信息去训练和验证我们所建立的人工智能辅助前列腺癌病理诊断体系，使得前列腺癌病理诊断能力迅速达到国际顶尖水平，有助于患者病理诊断更加准确，继而精准地指导患者治疗方案的选择；

再者，通过云端诊疗系统接收基层医院患者标本或者数字化切片，人工智能辅助前列腺癌诊疗体系自动化诊断，并给以诊疗方案和预后说明，将显著提高基层医院前列腺癌疾病的诊疗水平，方便交流，助于完善三级医疗体系。

人工智能诊断前列腺癌病理的初步成果

1.二分类（正常/患病）诊断率

将整张切片图像进行剪切，图像块中病灶区域≥60%即标记为患病区域，病灶区域≤10%视为正常组织，以此数据作为深度学习模型的训练集。需要注意的是此种方法测试样本有限，得出的结果只作为预研的参考（图7-1）。

图7-1　肿瘤病灶区域与正常组织区域示意图

A.患病样本图像示意；B.正常样本图像示意

2.二分类（正常/患病）精细分割

根据病理医师标注的数据提取出病灶区域掩码图像，以此作为预测标签图像。由于整片图像分辨率太大，所以需要切块后进行训练和测试。此种方法可以有效提取出病灶区域（图7-2）。

图7-2　二分类法分割前列腺病理大切片扫描图像示意图

A.病理专家勾画出肿瘤部位区域；B.图像经过处理后红色区域为病灶区域，绿色区域为正常前列腺组织区域

3.多分类（三级病灶）精细分割

根据病理医师标注的数据提取出病灶区域掩码图像，以此作为预测标签图像。由于整片图像分辨率太大，所以需要切块后进行训练和测试。图7-3是基于CNN进行前列腺癌诊断的示例，图7-3A是原图，图7-3B是人工智能预测结果，图7-3C是病理科医师的标注掩码。其中标注掩码中患癌分5级，预测时进行合并只预测3大类，蓝色（掩码中蓝、绿色）代表程度较轻，红色（掩码中红、黄色）代表中等程度，紫色（掩码中紫色）代表最严重程度。

图7-3　多分类进行人工智能分析结果示意图

A.病理专家勾画大病理原片图像；B.人工智能分析结果所得电脑图像；C.病理专家勾画所得电脑图像以上结果在2018年欧洲泌尿外科学会年会（EAU 2018）及美国泌尿外科学会年会（AUA 2018）发表，《英国泰晤士报》《每日邮报》、美国科学促进会网站相继对此进行了报道。

特别声明：

本站部分信息来源网络仅供参考，不能作为诊断及医疗的依据。 未做任何商业用途，如有侵权请联系删除！

标签：前列腺癌精准诊断前列腺癌病理诊断前列腺癌

浸润性肺腺癌论坛深入探讨：预防、诊断与治疗的新视野

乳腺癌微信群最新答疑：乳腺癌免疫治疗期间：能否接种流感疫苗？

发表评论

重塑病理学：人工智能助力前列腺癌精准诊断

浸润性肺腺癌论坛深入探讨：预防、诊断与治疗的新视野

乳腺癌微信群最新答疑：乳腺癌免疫治疗期间：能否接种流感疫苗？

如何加入肿瘤病友群

最新文章

肿瘤热门标签资讯推荐

肿瘤病友留言

复制成功

微信号复制成功