基于多维特征重建与多任务深度学习的低分辨率全切片缩略图风险分类系统助力病理病例优先级管理

为解决病理工作流程中高风险病例（如恶性肿瘤）因按登记顺序检查而延误的问题，研究人员开发了一种AI驱动框架，通过分析H&E染色低分辨率全切片缩略图（TWSIs），结合图像预处理、多任务深度学习网络（组织分割+良恶性分类）和多维特征重建技术，在334例样本中实现91.91%准确率与2.33秒/图的快速筛查，为病理标本智能分诊提供新方案。

　　

现代外科病理学工作流程常按病例登记顺序检查切片，而非依据患者风险等级，可能导致恶性病变等高危病例被延误。针对这一痛点，研究者构建了人工智能分析框架，通过处理苏木精-伊红（H&E）染色的低分辨率全切片缩略图（thumbnail whole-slide images, TWSIs）实现智能分诊。该技术路线包含三大创新模块：首先通过图像预处理消除伪影并定位初始组织区域；随后采用多任务深度神经网络同步完成组织分割和良恶性二分类；最终引入多维特征重建策略提升分类精度。在包含100例良性、234例恶性的334张TWSIs（746×1632像素）测试中，系统单图平均推理耗时2.33±0.31秒，分类准确率达91.91%，敏感度93.59%（假阴性率6.41%），特异性88.00%，阳性预测值94.84%，阴性预测值85.56%。这项突破表明，基于TWSIs的AI辅助分析可显著优化病理标本的优先级排序，为临床决策争取宝贵时间窗口。