上海
编辑丨王多鱼
排版丨水成文
空间量化是大多数计算病理学任务中的关键步骤，从引导病理学家关注临床感兴趣的区域到发现新型生物标志物背后的组织表型。为了规避人工标注的需求，现代计算病理学方法更倾向于采用多示例学习方法，这些方法能够准确预测整张切片图像的标签，但这会以丧失空间感知能力为代价。
2025 年 11 月 19 日，西安交通大学李辰教授、龚铁梁副教授联合英国剑桥大学的研究人员（高泽宇博士为论文第一作者），在 Nature 子刊Nature Cancer上发表了题为：SMMILe enables accurate spatial quantification in digital pathology using multiple-instance learning 的研究论文。
该研究开发了全球首个可实现大规模肿瘤筛查及细粒度量化诊断的 AI 病理模型——SMMILe，SMMILe 能够在仅使用简化“病人级诊断标签”的情况下，实现对全玻片病灶进行精确空间量化，打破了传统弱监督算法“重分类、轻定位”的局限，在无需昂贵人工标注的条件下，能够像绘制地图一样，自动推断出肿瘤在组织中的具体位置、边界范围及不同亚型的空间分布。
在这项最新研究中，研究团队从数学角度证明，采用实例级聚合的模型能够在不降低全切片图像预测性能的情况下，实现更优的空间量化。然后，研究团队引入了一种基于超级补丁的可度量多实例学习方法——SMMILe，并在 6 种癌症类型（乳腺癌、肺癌、卵巢癌、肾癌、胃癌和前列腺癌）、3 个高度多样化的分类任务以及包含 3850 张全切片图像的 8 个数据集上对其进行了评估。
SMMILe模型架构
SMMILe 能够在没有任何位置标注信息的情况下，精准锁定并还原出具有生物学意义的肿瘤空间图谱。这不仅解决了 AI 模型的可解释性问题，更让病理分析的效率实现了数量级飞跃——一张复杂的组织切片，人工分析可能耗时 20 分钟，而 SMMILe 仅需约 1 分钟即可生成详尽的量化报告。
研究团队使用两种不同的编码器——一种是 ImageNet 预训练的，另一种是病理学专用的基础模型——将 SMMILe 与九种现有主流计算病理学方法进行了系统比较，并表明在所有情况下，SMMILe 的全切片图像分类性能均达到或超过了最先进水平，同时在空间量化方面也表现出色，尤其在多标签等复杂任务中表现突出。
论文链接：
https://www.nature.com/articles/s43018-025-01060-8
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
