淋巴结转移的准确检测对于各类肿瘤的精确分期和治疗计划具有重要临床意义。常规病理检查存在淋巴结微转移的漏诊风险，这可能导致诊断不足和临床预后欠佳。2026年3月，中山大学林天歆-吴少旭教授团队在国际学术期刊 The Lancet Digital Health (IF=24.1)在线发表了题为 “Artificial intelligence-based pathological model for pan-cancer lymph node metastasis detection: a multicentre diagnostic study with retrospective and prospective validation” 的研究论文。该研究开发了一种泛癌种人工智能诊断模型（PanCAM）,并在包含33种肿瘤的多中心回顾性和前瞻性队列中进行了验证。
癌症是全球疾病负担的主要原因，淋巴结转移是影响患者整体生存率和无复发生存率的关键预后因素。组织学检查目前仍是检测淋巴结转移的金标准。然而 ， 由于临床病理工作量繁重，病理医生缺乏足够的时间进行详细审查，且识别直径小于2毫米的微转移 本身 存在挑战，导致在 临床病理工作 中容易遗漏 微小转移病灶 。这种对微小转移灶的遗漏可能会低估淋巴结分期，进而影响治疗决策 。 尽管已有部分人工智能模型应用于淋巴结转移检测，但多数现有模型仅局限于 常见单癌 种， 无法满足真实病理实践中的临床需求；且肿瘤发病率呈长尾分布， 罕见癌 种的 数据匮乏进一步 表明单癌种特异性 AI模型 研发范式 的 局限性。
为了 应对上述挑战 ， 作者团队 设计了一项大规模多中心诊断研究，纳入了来自中国17家医院 接 受肿瘤 根治术 和淋巴结清扫 术 的9256名患者 （共33种肿瘤类型，包括9 种常见 肿瘤 和24种罕见 肿瘤）共计 153985个淋巴结 的 69502张全切片 数字病理扫描 图像（WSIs）。基于DeepLabv3+分割框架和RegNet-Y40编码器，研究团队开发了泛癌种人工智能诊断模型PanCAM，并 使用 监督学习 （像素级细标签） 和增量学习 （模型自生成软标签-专家审核校正） 策略进行模型 迭代学习。 为了评估 模型性能，该 研究在16家国内医院及荷兰公开数据集CAMELYON16上进行了回顾性验证，并在9家国内医院开展了前瞻性验证。
Workflow of the study
结果显示，在16家医院的回顾性验证中，PanCAM检测淋巴结转移的敏感性达0.97 - 1.00，在外部CAMELYON16数据集上的敏感性达0.96。在9家医院前瞻性验证中，PanCAM的敏感性稳定在0.93 - 1.00。值得注意的是，尽管仅使用 九大高发肿瘤 图像进行训练 ， PanCAM对罕见 肿瘤 的敏感性 在回 顾性和前瞻性验证中均达到0.98 以上 ，展现出了 可靠的跨 癌种泛化能力 。除此之外， PanCAM在回顾性验证中额外识别出120名被常规病理 报告 遗漏的淋巴结转移患者，并在前瞻性验证中进一步额外识别出21例漏诊病例，这些被纠正的假阴性病例绝大多数为微小转移灶。研究团队还将PanCAM与特定单 癌种 AI模型进行了基准对比 。如 在膀胱癌数据集中，PanCAM的敏感性为0.99， 特异性 为0.98，阳性预测值0.81 ， 而专门针对膀胱癌训练的特定模型（BCa model）敏感性为0.9 8 ， 特异性 为0.94，阳性预测值0.62 。 前列腺癌数据集的对比分析也观察到了相似的结果，进一步证实了 泛癌模型性能的 稳健性。
本研究构建的 PanCAM 为各类 肿瘤 的淋巴结转移 病理 检测提供了具有高度泛化性的通用解决方案。该模型能够 灵敏检测人眼易遗漏的肿瘤淋巴微转移灶，在真实世界临床实践中，有效 辅助病理医生提升诊断准确性 ，显著改进工作效率 。
林天歆教授为本研究的通讯作者，吴少旭教授、洪桂斌博士、王赟博士、曾弘教授、林真教授、杨洁教授、陈健宁教授、 陈红涛 教授为共同第一作者。
参考消息：
https://doi.org/10.1016/j.landig.2025.100961
来源：iNature
免责声明：本公众号旨在为医疗卫生专业人士提供肿瘤领域资讯参考，促进专业交流。内容仅供信息交流，不可替代专业医疗指导，亦非诊疗建议。 据此操作，风险自担。转载内容均已标注来源及作者。如有版权问题，请留言联系，我们将及时处理。
热门跟贴