基于SGA-U-Net的全切片图像肾母细胞瘤病理辅助诊断模型

为解决肾母细胞瘤(WT)组织病理分类中组分精准分割的临床难题，研究人员创新性提出融合混合注意力机制的SGA-U-Net模型。该模型在WT-blastema、WT-epithelium和WT-stroma分割任务中分别取得0.95/0.91/0.88的Dice值，为全切片图像(WSIs)的自动化分析提供可靠解决方案，显著提升儿童肾脏恶性肿瘤的诊断效率。

　　

肾母细胞瘤(Wilms tumor, WT)作为儿童最常见的肾脏恶性肿瘤，其组织病理学分类直接关系到预后评估和术后治疗方案制定。WT分类标准主要依据肿瘤主要组分（胚芽、上皮和间质）的面积占比，这使得组分的精确分割成为分类关键。然而，WT组分的结构复杂性与全切片图像(whole slide images, WSIs)的超高分辨率，给传统病理诊断带来巨大挑战。

研究团队创新开发了SGA-U-Net分割模型，通过在经典U-Net上采样层引入混合注意力模块，显著提升模型对WT组分中细粒度特征的捕捉能力。实验数据显示，该模型对WT-blastema、WT-epithelium和WT-stroma的分割Dice值分别达到0.95、0.91和0.88的优异水平。进一步临床应用验证表明，该模型能有效辅助病理医师完成WT的自动化组织病理分类。

这项研究为儿童肾脏恶性肿瘤的智能诊断提供了创新性解决方案，其开发的混合注意力机制可拓展应用于其他肿瘤的WSIs分析领域，展现出广阔的临床转化前景。