"GAS平台：基于生成对抗网络的多模态端到端AI系统提升术中冰冻切片诊断准确性"

本研究针对术中冰冻切片质量不佳导致的诊断挑战，开发了集成生成(GAN)、评估(Adapter微调)和质量控制模块的GAS平台。通过6700余张全切片图像训练，该系统能将冰冻切片转化为类FFPE高质量图像，经前瞻性研究(ChiCTR2300076555)验证可显著提升病理医师诊断信心(FID值23.021 vs 基线64.977)，为AI赋能术中快速病理诊断建立新范式。

　　

在手术室紧张的氛围中，病理医师常需在20分钟内通过冰冻切片做出关乎患者命运的诊断。然而这种"速冻"技术存在天然缺陷：组织收缩、染色不均等导致38.26%的切片核细节模糊（Supplementary Table 4），使得诊断如同雾里看花。传统解决方案如优化冷冻流程收效甚微，而AI单点技术又难以融入临床工作流。中山大学肿瘤防治中心（Sun Yat-sen University Cancer Center）的研究团队在《npj Digital Medicine》发表的突破性研究，给出了全新的系统化答案。

研究团队创新性地构建了GAS三模块平台：1）Generation模块采用文本引导的GAN网络，将"formalin-fixed paraffin-embedded tissues"文本描述转化为AdaIN层参数，实现冰冻到FFPE风格的跨模态转换；2）Assessment模块基于UNI病理基础模型，通过γ=0.8的适配器结构（Eq.(2)）开发四项质量评估模型；3）Support模块开发人机协作软件实现选择性区域增强。研究纳入8个中心6749例样本，包括前瞻性队列Pro-External GZCC的188例患者。

研究结果

开发生成模块优化冰冻切片图像

通过FFPE文本描述引导的GAN网络，生成的虚拟FFPE图像在乳腺、头颈等多器官展示显著质量提升（Fig.2b-d）。读者研究表明72%的生成图像被误判为真实FFPE（Fig.2e-g），而FID值23.021显著优于其他模型（Fig.3a-g）。

建立质量评估模块

采用适配器微调的四个质量模型在核细节(AUC 0.973)、胞质细节(AUC 0.975)等指标表现优异（Fig.4b-c）。Grad-CAM热图证实模型能准确聚焦目标特征（Supplementary Fig.5），生成图像的核细节优质比例从38.26%提升至61.19%（Fig.4e）。

支持模块的临床应用

在乳腺病变分类任务中，GAS生成图像使AUC从0.765提升至0.784（Fig.5a-c）。前瞻性研究显示，虽然诊断结果不变，但病理医师信心评分从1.89±0.32显著提升至2.67±0.48（P<0.001，Fig.5e-h）。

这项研究开创了AI赋能术中诊断的新范式：首次实现从图像生成、质量评估到临床决策的全流程覆盖。相较于Ozyoruk等人（Nat Biomed Eng 2022）的单器官研究，GAS平台在DGPH等外部验证集保持稳定性能（核细节提升12.74%）。特别值得注意的是，通过文本引导的AdaIN层（Eq.(1)）和γ=0.8的适配器结构（Eq.(2)），在保持基础模型知识的同时实现高效微调。研究也存在局限性，如对重度退化切片处理不足，未来可通过扩散模型进一步优化。该成果为AI真正融入临床工作流提供了教科书级的示范，其模块化设计尤其适合推广至内镜活检等快速病理场景。