基于Swin Transformer深度学习模型预测肺部纯磨玻璃结节病理亚型的价值研究

《Insights into Imaging》：Predicting pathological subtypes of pure ground-glass nodules using Swin Transformer deep learning model

本研究针对肺部纯磨玻璃结节（pGGN）病理亚型术前鉴别难题，开发了一种基于Swin Transformer架构的深度学习多分类模型。该模型通过590例病理确诊的pGGN数据训练与验证，准确区分非典型腺瘤样增生（AAH）、原位腺癌（AIS）、微浸润腺癌（MIA）与浸润性腺癌（IAC），外部验证集准确率达91.41%，显著优于放射科医师诊断效能，为pGGN无创精准分型提供了可靠的术前辅助工具。

　　

随着低剂量计算机断层扫描（CT）在肺癌筛查中的普及，肺部纯磨玻璃结节（pGGN）的检出率显著上升。这些结节可能是肺腺癌的早期表现，包括腺体前驱病变（AAH/AIS）、微浸润腺癌（MIA）和浸润性腺癌（IAC）。不同病理亚型的治疗策略差异巨大：AAH/AIS通常建议随访观察，MIA可选择亚肺叶切除，而IAC需行肺叶切除及淋巴结清扫。然而，pGGN在CT影像上特征重叠，仅凭放射科医师视觉评估易受主观经验影响，误诊率较高。尤其令人担忧的是，约30-40%的pGGN术后病理证实为IAC，若术前误判为良性或低危病变，可能导致治疗延误或过度手术。因此，开发客观、精准的术前无创诊断工具迫在眉睫。

为解决这一临床难题，广州医科大学附属第五医院影像科团队联合多中心机构，在《Insights into Imaging》发表了题为“Predicting pathological subtypes of pure ground-glass nodules using Swin Transformer deep learning model”的研究。该研究创新性地应用Swin Transformer深度学习架构，构建了针对pGGN病理亚型的三分类模型（AAH&AIS、MIA、IAC），并通过多中心外部验证评估其临床实用性。

研究采用回顾性多中心设计，共纳入2015年至2022年期间590例经手术病理确诊的pGGN患者数据。其中462例来自机构1用于模型训练与内部验证，128例来自机构2和机构3作为外部验证集。关键技术方法包括：基于Swin Transformer网络构建三维图像分类模型，采用五折交叉验证优化参数，使用加权BCE损失函数处理类别不平衡问题，并通过类激活映射（CAM）技术实现模型决策可视化。所有CT图像均统一预处理为1.0mm层厚，并以窗宽1400HU、窗位-500HU进行灰度标准化。

模型结果

深度学习模型在训练集和测试集的准确率分别达到95.21%和91.41%，五折交叉验证的最佳模型准确率为87.01%，精确率87.57%，F1分数87.09%。外部验证集中，模型整体准确率提升至91.41%，F1分数达91.42%。混淆矩阵显示模型对IAC的识别特异性最高，误诊主要发生于AAH/AIS与MIA的鉴别。

对比放射科医师诊断

在相同外部验证集上，两名具有5-10年经验的放射科医师独立诊断准确率显著低于模型（p<0.05）。经协商一致后，医师诊断的加权F1分数仍较模型低约15个百分点，尤其在区分MIA与IAC时差异明显。

模型解释性

通过CAM可视化技术证实，模型注意力区域与放射科医师标注的病灶高度吻合。如图6所示，模型能准确聚焦于pGGN的微细结构差异，如病灶边缘毛刺、内部血管穿行等特征，而非依赖单一尺寸参数。

独立数据集验证

在FractureMNIST3D医疗影像数据集上的对比实验中，Swin Transformer模型的分类性能显著优于传统ResNet50模型（准确率提升约9%），证实其在不同医疗影像任务中的强泛化能力。

研究结论表明，基于Swin Transformer的深度学习模型能有效预测pGGN的病理亚型，其诊断效能超越人工评估，且通过多中心验证证实了鲁棒性。该模型有望整合至临床PACS系统，实现术前自动化辅助诊断，优化手术方案选择。讨论部分指出，未来需扩大样本量纳入炎症性pGGN等鉴别类型，并探索融合临床特征（如肿瘤标志物）的多模态模型。尽管存在多中心数据异质性等挑战，该研究为肺癌早期精准诊疗提供了重要技术支撑，尤其对年轻或高危人群的个体化治疗决策具有显著临床意义。