林天歆教授：當淋巴結轉移遇上AI，33種癌癥轉移無處遁形

淋巴結轉移的準確檢測對于各類腫瘤的精確分期和治療計劃具有重要臨床意義。常規病理檢查存在淋巴結微轉移的漏診風險，這可能導致診斷不足和臨床預后欠佳。2026年3月，中山大學林天歆-吳少旭教授團隊在國際學術期刊 The Lancet Digital Health (IF=24.1)在線發表了題為 “Artificial intelligence-based pathological model for pan-cancer lymph node metastasis detection: a multicentre diagnostic study with retrospective and prospective validation” 的研究論文。該研究開發了一種泛癌種人工智能診斷模型（PanCAM）,并在包含33種腫瘤的多中心回顧性和前瞻性隊列中進行了驗證。

癌癥是全球疾病負擔的主要原因，淋巴結轉移是影響患者整體生存率和無復發生存率的關鍵預后因素。組織學檢查目前仍是檢測淋巴結轉移的金標準。然而 ， 由于臨床病理工作量繁重，病理醫生缺乏足夠的時間進行詳細審查，且識別直徑小于2毫米的微轉移 本身 存在挑戰，導致在 臨床病理工作 中容易遺漏 微小轉移病灶 。這種對微小轉移灶的遺漏可能會低估淋巴結分期，進而影響治療決策 。 盡管已有部分人工智能模型應用于淋巴結轉移檢測，但多數現有模型僅局限于 常見單癌 種， 無法滿足真實病理實踐中的臨床需求；且腫瘤發病率呈長尾分布， 罕見癌 種的 數據匱乏進一步 表明單癌種特異性 AI模型 研發范式 的 局限性。

為了 應對上述挑戰 ， 作者團隊 設計了一項大規模多中心診斷研究，納入了來自中國17家醫院 接 受腫瘤 根治術 和淋巴結清掃 術 的9256名患者 （共33種腫瘤類型，包括9 種常見 腫瘤 和24種罕見 腫瘤）共計 153985個淋巴結 的 69502張全切片 數字病理掃描 圖像（WSIs）。基于DeepLabv3+分割框架和RegNet-Y40編碼器，研究團隊開發了泛癌種人工智能診斷模型PanCAM，并 使用 監督學習 （像素級細標簽） 和增量學習 （模型自生成軟標簽-專家審核校正） 策略進行模型 迭代學習。 為了評估 模型性能，該 研究在16家國內醫院及荷蘭公開數據集CAMELYON16上進行了回顧性驗證，并在9家國內醫院開展了前瞻性驗證。

Workflow of the study

結果顯示，在16家醫院的回顧性驗證中，PanCAM檢測淋巴結轉移的敏感性達0.97 - 1.00，在外部CAMELYON16數據集上的敏感性達0.96。在9家醫院前瞻性驗證中，PanCAM的敏感性穩定在0.93 - 1.00。值得注意的是，盡管僅使用 九大高發腫瘤 圖像進行訓練 ， PanCAM對罕見 腫瘤 的敏感性 在回 顧性和前瞻性驗證中均達到0.98 以上 ，展現出了 可靠的跨 癌種泛化能力 。除此之外， PanCAM在回顧性驗證中額外識別出120名被常規病理 報告 遺漏的淋巴結轉移患者，并在前瞻性驗證中進一步額外識別出21例漏診病例，這些被糾正的假陰性病例絕大多數為微小轉移灶。研究團隊還將PanCAM與特定單 癌種 AI模型進行了基準對比 。如 在膀胱癌數據集中，PanCAM的敏感性為0.99， 特異性 為0.98，陽性預測值0.81 ， 而專門針對膀胱癌訓練的特定模型（BCa model）敏感性為0.9 8 ， 特異性 為0.94，陽性預測值0.62 。 前列腺癌數據集的對比分析也觀察到了相似的結果，進一步證實了 泛癌模型性能的 穩健性。

本研究構建的 PanCAM 為各類 腫瘤 的淋巴結轉移 病理 檢測提供了具有高度泛化性的通用解決方案。該模型能夠 靈敏檢測人眼易遺漏的腫瘤淋巴微轉移灶，在真實世界臨床實踐中，有效 輔助病理醫生提升診斷準確性 ，顯著改進工作效率 。

林天歆教授為本研究的通訊作者，吳少旭教授、洪桂斌博士、王赟博士、曾弘教授、林真教授、楊潔教授、陳健寧教授、 陳紅濤 教授為共同第一作者。

參考消息：

https://doi.org/10.1016/j.landig.2025.100961

來源：iNature

免責聲明：本公眾號旨在為醫療衛生專業人士提供腫瘤領域資訊參考，促進專業交流。內容僅供信息交流，不可替代專業醫療指導，亦非診療建議。 據此操作，風險自擔。轉載內容均已標注來源及作者。如有版權問題，請留言聯系，我們將及時處理。