空間量化是大多數(shù)計(jì)算病理學(xué)任務(wù)中的關(guān)鍵步驟，從引導(dǎo)病理學(xué)家關(guān)注臨床感興趣的區(qū)域到發(fā)現(xiàn)新型生物標(biāo)志物背后的組織表型。為了規(guī)避人工標(biāo)注的需求，現(xiàn)代計(jì)算病理學(xué)方法更傾向于采用多示例學(xué)習(xí)方法，這些方法能夠準(zhǔn)確預(yù)測(cè)整張切片圖像的標(biāo)簽，但這會(huì)以喪失空間感知能力為代價(jià)。
2025 年 11 月 19 日，西安交通大學(xué)李辰教授、龔鐵梁副教授聯(lián)合英國(guó)劍橋大學(xué)的研究人員（高澤宇博士為論文第一作者），在 Nature 子刊 Nature Cancer 上發(fā)表了題為：SMMILe enables accurate spatial quantification in digital pathology using multiple-instance learning 的研究論文。
該研究開(kāi)發(fā)了全球首 個(gè)可實(shí)現(xiàn)大規(guī)模腫瘤篩查及細(xì)粒度量化診斷的 AI 病理模型——SMMILe，SMMILe 能夠在僅使用簡(jiǎn)化“病人級(jí)診斷標(biāo)簽”的情況下，實(shí)現(xiàn)對(duì)全玻片病灶進(jìn)行精確空間量化，打破了傳統(tǒng)弱監(jiān)督算法“重分類、輕定位”的局限，在無(wú)需昂貴人工標(biāo)注的條件下，能夠像繪制地圖一樣，自動(dòng)推斷出腫瘤在組織中的具體位置、邊界范圍及不同亞型的空間分布。
在這項(xiàng)最新研究中，研究團(tuán)隊(duì)從數(shù)學(xué)角度證明，采用實(shí)例級(jí)聚合的模型能夠在不降低全切片圖像預(yù)測(cè)性能的情況下，實(shí)現(xiàn)更優(yōu)的空間量化。然后，研究團(tuán)隊(duì)引入了一種基于超級(jí)補(bǔ)丁的可度量多實(shí)例學(xué)習(xí)方法——SMMILe，并在 6 種癌癥類型（乳腺癌、肺癌、卵巢癌、腎癌、胃癌和前列腺癌）、3 個(gè)高度多樣化的分類任務(wù)以及包含 3850 張全切片圖像的 8 個(gè)數(shù)據(jù)集上對(duì)其進(jìn)行了評(píng)估。
SMMILe模型架構(gòu)
SMMILe 能夠在沒(méi)有任何位置標(biāo)注信息的情況下，精準(zhǔn)鎖定并還原出具有生物學(xué)意義的腫瘤空間圖譜。這不僅解決了 AI 模型的可解釋性問(wèn)題，更讓病理分析的效率實(shí)現(xiàn)了數(shù)量級(jí)飛躍——一張復(fù)雜的組織切片，人工分析可能耗時(shí) 20 分鐘，而 SMMILe 僅需約 1 分鐘即可生成詳盡的量化報(bào)告。
研究團(tuán)隊(duì)使用兩種不同的編碼器——一種是 ImageNet 預(yù)訓(xùn)練的，另一種是病理學(xué)專用的基礎(chǔ)模型——將 SMMILe 與九種現(xiàn)有主流計(jì)算病理學(xué)方法進(jìn)行了系統(tǒng)比較，并表明在所有情況下，SMMILe 的全切片圖像分類性能均達(dá)到或超過(guò)了最先進(jìn)水平，同時(shí)在空間量化方面也表現(xiàn)出色，尤其在多標(biāo)簽等復(fù)雜任務(wù)中表現(xiàn)突出。
論文鏈接：
https://www.nature.com/articles/s43018-025-01060-8
合作咨詢
肖女士
021-33392297
Kelly.Xiao@imsinoexpo.com
2006-2025 上海博華國(guó)際展覽有限公司版權(quán)所有（保留一切權(quán)利）
滬ICP備05034851號(hào)-57
