全球首個！西安交大與劍橋大學聯合攻關

將耗時20分鐘的複雜病理切片分析縮短至僅需1分鐘，且無需醫生進行繁瑣的逐一人工標註。近日，一項由西安交通大學計算機科學與技術學院、國家醫學攻關產教融合創新平台李辰教授團隊聯合劍橋大學完成的ai醫學突破，讓這一場景成為現實。

該技術在國際上率先攻克了弱監督學習下數字病理全玻片（wsi）難以實現精確空間量化的瓶頸，被形象地比喻為病理診斷的「聲納」系統。這意味著，ai病理診斷正從單純的「粗略分類」正式邁向「精準量化」的新時代。

研究團隊提出了名為smmile的新型人工智慧框架，相關論文以《smmile——基於多示例學習的數字病理精準空間量化模型》（smmile enables accurate spatial quantification in digital pathology using multiple-instance learning）為題發表於國際腫瘤學權威期刊《自然·癌症》（nature  cancer）。

在癌症精準診療中，千兆像素級的數字病理切片是「金標準」。然而，長期以來計算病理學面臨著一個巨大的「黑盒」難題：現有的主流ai方法（多實例學習mil）雖然能以較低成本判斷切片「是否有癌症」，但無法回答「病灶具體在哪裡」「惡性程度如何分布」以及「各類亞型佔多大比例」。要想獲得這些關鍵信息，往往需要病理醫生投入大量精力進行逐像素的「手動描繪」，這在臨床上幾乎是不可能完成的任務。

針對這一難題，西安交大研究團隊提出了名為smmile的新型人工智慧框架。

smmile是首個能在僅使用簡化「病人級診斷標籤」的情況下，實現對全玻片病灶進行精確空間量化的ai系統。

smmile打破了傳統弱監督演算法「重分類、輕定位」的局限，在無需昂貴人工標註的條件下，能夠像繪製地圖一樣，自動推斷出腫瘤在組織中的具體位置、邊界範圍及不同亞型的空間分布。

為何smmile能做到其他ai做不到的事？ 該技術的創新之處在於其獨特的設計理念——它類似於一套用於圖像的「聲納」系統，本質上賦予了計算機「在黑暗中視物」的能力。

傳統方法往往因為缺乏詳細坐標信息而「抓瞎」，或者只能捕捉到最明顯的特徵。而smmile通過融合特徵壓縮、參數自適應處理及馬爾可夫隨機場約束等前沿數學模型，能夠敏銳捕捉到微弱的病理信號。即便是在沒有任何位置標註信息的情況下，它也能像聲納探測海底地形一樣，精準鎖定並還原出具有生物學意義的腫瘤空間圖譜。

這不僅解決了ai模型的可解釋性問題，更讓病理分析的效率實現了數量級的飛躍——一張複雜的組織切片，人工分析可能耗時20分鐘，而smmile僅需約1分鐘即可生成詳盡的量化報告。

在具體評估中，研究團隊基於涵蓋乳腺、肺、卵巢、腎、胃和前列腺等六種癌症的3850張全切片，對smmile與九種當前主流計算病理學方法進行了系統比較。

結果表明：

■ 在切片級分類任務中，smmile在各數據集上的整體表現達到或優於現有方法。

■ 在更具挑戰性的病灶空間量化任務中，其在多個數據集上的空間auc接近或超過90%，空間f1相較最佳對比方法最高可提升20個百分點以上。

■ 即便在採用病理基礎模型等更強特徵編碼器、整體性能普遍抬升的條件下，smmile仍在多項空間指標上保持明顯優勢，尤其在多標籤等複雜任務中表現突出。

smmile的潛力不僅體現在診斷性能的提升。通過生成可靠的空間量化圖譜，該方法為病理醫生提供了更直觀的組織結構信息，有助於在複雜病例中更快速、準確地鎖定關鍵區域，確保患者能儘早獲得最佳治療方案，同時也為科研人員系統研究腫瘤異質性、探索不同組織亞型與預後、免疫反應及藥物敏感性之間的關係提供了有力工具。

未來，這一框架還有望進一步擴展，用於推斷腫瘤的分子特徵，將組織形態學與多組學數據緊密結合，推動綜合癌症醫學和精準醫療的發展。

該研究由西安交大計算機科學與技術學院、國家醫學攻關產教融合創新平台李辰教授團隊與劍橋大學等機構合作完成。

論文第一作者為高澤宇博士，他在西安交大李辰教授團隊獲得博士學位後，在劍橋大學腫瘤學系繼續從事醫學人工智慧研究工作。

聯合作者中，來自西安交通大學一附院病理科的主治醫師王春寶參與了病理數據的整理與專業病理學支持。

通訊作者包括西安交大李辰教授、龔鐵梁副教授，以及劍橋大學腫瘤學系助理教授、早期癌症研究團隊負責人mireia crispin-ortuzar博士。

研究工作獲得英國癌症研究中心（cancer research uk）、馬克癌症研究基金會（the mark foundation for cancer research）、英國國家健康研究院（nihr）等機構的資助支持。