基于深度学习的眼睑皮脂腺癌与鳞状细胞癌病理鉴别诊断系统开发及临床验证

本研究针对眼睑皮脂腺癌(SGC)与鳞状细胞癌(SC)病理鉴别诊断困难的问题，开发了基于深度学习(DL)的全切片图像(WSI)自动分析框架。通过282例训练数据和36例外部验证数据证实，该系统诊断准确率达84.85%(SGC)和75.12%(SC)，可使病理医师诊断准确率从60.0±9.8%提升至76.8±9.6%，为临床精准诊疗提供了可靠AI辅助工具。

　　

眼睑恶性肿瘤虽仅占皮肤肿瘤的5-10%，但皮脂腺癌(SGC)和鳞状细胞癌(SC)的鉴别诊断一直是临床痛点。这两种肿瘤不仅治疗策略迥异——SGC需要广泛切除联合放疗，而SC更适合局部切除——更因组织学特征重叠导致误诊率高达30%。北京同仁医院联合解放军总医院第三医学中心的研究团队在《npj Digital Medicine》发表的研究，开创性地将深度学习技术应用于这一领域。

研究团队构建了五模块AI诊断框架：预处理模块将40倍放大的WSI分割为512×512像素的图块；无意义图块过滤模块通过ResNet101模型剔除背景及低质量区域；风格迁移模块采用CycleGAN消除不同医疗机构间的染色差异；图块识别模块测试了ResNet101等五种CNN架构；结果整合模块通过概率或数量统计实现最终诊断。研究纳入198例患者的318张WSI，外部验证集来自另一医疗中心的36例样本。

Development of the diagnostic framework
五模块框架中，Wide ResNet101在外部验证集表现最优，SGC和SC识别准确率分别达77.78%和22.22%。风格迁移技术显著提升了模型跨中心泛化能力，CycleGAN生成的风格统一图像使外部验证准确率提升15%。

Performance for differential classification
图块级别识别中，ResNeXt101模型平均准确率达90.54%，三类组织(正常/SGC/SC)的AUROC均>0.97。全切片层面，热图可视化清晰显示肿瘤空间分布特征，为病理医师提供直观决策依据。

Comparison between pathologists
5名病理医师的盲法测试显示，AI辅助使总体诊断准确率提升16.8%，其中住院医师的SC诊断准确率从30%跃升至50%，副主任医师的SGC识别准确率最高达93.3%。值得注意的是，AI仅使1位专家诊断时间显著缩短(32.24s→16.64s)，提示AI主要价值在于质量提升而非效率优化。

这项研究首次实现了眼睑恶性肿瘤的自动化病理分型，其创新性体现在三方面：首创针对SGC/SC鉴别的多模块DL框架，通过CycleGAN解决数字病理的跨中心泛化难题，开发的质量控制模块可自动识别并剔除23.7%的低质量区域。尽管存在样本量有限(尤其SC病例较少)、模型可解释性待提升等局限，但该技术显著提升了非眼科专科病理医师的诊断水平，为医疗资源匮乏地区提供了可靠的远程诊断方案。未来研究可拓展至更多眼睑肿瘤类型，并探索与基因组数据的联合分析模式。

研究团队特别指出，3例AI误诊样本同样难倒了资深病理专家，这些低分化病例最终需多中心会诊确诊，反映出AI模型与人类专家在面对疑难病例时的共同挑战。该成果的临床转化将有效解决我国眼科病理专科医师不足的问题，其技术路线也为其他器官的肿瘤病理鉴别提供了重要参考。