《TrAC Trends in Analytical Chemistry》：Decentralized monitoring of endocrine tumors: a new strategy for data fusion integrating paper-based/flexible sensing materials, digital pathology and artificial intelligence
编辑推荐：
•本文系统地回顾了这三种技术的进步及其在数据融合策略中的应用。•数字病理学通过全切片数字化和深度学习分析，实现了对肿瘤微环境的定量评估。•本文重点介绍了基于数据融合的分散式监测新策略。引言内分泌肿瘤是一组起源于神经内分泌细胞的异质性肿瘤，包括垂体神经内分泌肿瘤、胰腺神经内分泌肿瘤
- •
本文系统地回顾了这三种技术的进步及其在数据融合策略中的应用。
- •
数字病理学通过全切片数字化和深度学习分析，实现了对肿瘤微环境的定量评估。
- •
本文重点介绍了基于数据融合的分散式监测新策略。
引言
内分泌肿瘤是一组起源于神经内分泌细胞的异质性肿瘤，包括垂体神经内分泌肿瘤、胰腺神经内分泌肿瘤、肾上腺皮质癌、嗜铬细胞瘤/副神经节瘤等[1]。这些肿瘤在临床表现、病理机制和遗传背景上具有相似性，但诊断和治疗仍然面临许多挑战。传统的内分泌肿瘤监测主要依赖于影像学检查和血清生物标志物检测，但这些方法存在灵敏度有限、特异性不足以及无法实时监测等缺点[2]。神经内分泌肿瘤（NETs）是一组在全身分布的神经内分泌细胞中发生的异质性肿瘤，主要发生在胃肠道胰腺（GEP）系统和肺部。根据最近的流行病学数据，过去三十年中，NETs的全球年龄标准化发病率显著增加，从20世纪70年代的每10万人年约1.09例增加到2010年代的每10万人年超过5.0例，并且这一趋势仍在持续上升。仅在美国，监测、流行病学和最终结果（SEER）数据库每年就报告超过12,000例新病例，欧洲的登记数据也显示了类似的上升趋势。值得注意的是，大约50-70%的NET患者在诊断时已经处于转移或晚期阶段，因此需要长达数十年的长期监测。这种长期的随访给患者和医疗系统带来了巨大的后勤和经济负担，因为传统的监测方法严重依赖于定期的横断面影像学检查（CT/MRI）、内镜检查以及连续的血清生物标志物测量，每次检查都需要患者每隔3-12个月到医院就诊。因此，在内分泌肿瘤的背景下，分散式监测的合理性尤为突出。首先，分化良好的NETs疾病进展缓慢且难以预测，需要持续而非间歇性的监测——这是传统集中式基础设施难以满足的。其次，许多内分泌肿瘤会分泌生物活性激素，其波动可能导致急性、可能危及生命的综合征；实时可穿戴传感器可以在临床出现失衡之前检测到这些激素变化。第三，专门的内分泌肿瘤学中心地理分布分散，导致农村或服务不足地区的患者面临更高的交通费用和延迟的干预。通过将检测和数据采集从集中实验室转移到护理点甚至体内平台，分散式监测提供了一种可行的途径来弥补这一差距，从而实现更早的干预，降低住院率，并改善患者报告的预后。这一流行病学和后勤背景强调了集成新兴传感、数字病理学和人工智能融合技术进行内分泌肿瘤监测的及时性和临床必要性。
基于纸张的/柔性传感材料在液体活检领域显示出巨大潜力，因为它们具有独特的优势[3]。同时，数字病理学的普及和深度学习算法的进步使得从组织切片中提取定量形态特征成为可能[4]。更重要的是，由人工智能驱动的多模态数据融合技术可以整合来自不同来源的异构数据，为准确监测内分泌肿瘤提供了新的范式[5]。分散式监测的核心思想是将监测点从中心实验室转移到患者身边甚至体内，以实现实时、连续和个性化的疾病管理。这种模式特别适合需要长期随访的慢性疾病，如内分泌肿瘤。本文旨在系统地回顾基于纸张的/柔性传感材料、数字病理学和人工智能技术在内分泌肿瘤监测中的应用进展，重点讨论这三种技术的数据融合策略，分析当前面临的挑战，并展望未来的发展方向。
在四个主要电子数据库（PubMed/MEDLINE、Web of Science、Scopus和IEEE Xplore）中进行了结构化的文献搜索，涵盖2015年1月至2025年12月的出版物。搜索策略结合了医学主题词（MeSH）和自由文本关键词，包括：“neuroendocrine tumor”或“endocrine neoplasm”或“carcinoid”或“pancreatic neuroendocrine tumor”或“pituitary adenoma”或“pheochromocytoma”或“paraganglioma”以及“paper-based sensor”或“flexible sensor”或“wearable device”或“point-of-care”或“biosensor”或“electrochemical sensor”和“digital pathology”或“whole slide imaging”或“computational pathology”和“artificial intelligence”或“machine learning”或“deep learning”或“data fusion”或“multimodal learning”。纳入标准如下：(1) 以英文发表的原创研究文章、综述或临床报告；(2) 涉及至少一种与内分泌肿瘤相关的生物标志物或临床参数的研究；(3) 描述具有分散式监测应用潜力的传感技术、数字病理平台或基于人工智能的分析方法的研究。排除标准包括：(1) 无完整文本的会议摘要；(2) 专门针对非内分泌恶性肿瘤的研究，且没有通用方法；(3) 缺乏原始数据的社论、评论和观点文章。
章节片段
基于纸张的传感平台的技术原理与进展
基于纸张的传感器利用纸张的多孔结构和毛细作用来实现样本的自动传输和反应[6]。基于镧系发光的纸张传感器在癌症生物标志物检测方面取得了显著进展，它通过时间门控发光测量消除了来自生物系统的短寿命荧光干扰[7]。该传感器使用非肽类探针
数字病理学的基本原理和技术框架
数字病理学通过将传统的玻璃切片数字化为高分辨率的全切片图像（WSIs），为计算机辅助分析提供了基础[15]。典型的AI辅助病理分析过程如图3所示。
近年来，视觉Transformer（ViTs）和自监督预训练的出现重塑了这一领域，使模型能够从大型WSI数据集中学习更具可扩展性和可 transfer性的表示方法[16]。
人工智能在神经内分泌肿瘤病理学中的具体应用
在应用方面取得了显著进展
多模态数据融合的基本范式
如表2所示，基于纸张的/柔性传感技术提供了动态的外周体液时间序列生物标志物，数字病理学提供了肿瘤的静态组织学证据，而人工智能则作为枢纽，实现这两种异构数据与基因组学和临床参数的对齐和联合分析。传感技术输出连续的时域信息，以弥补静态快照的不足
系统架构和数据流整合
集成监测系统的核心是将基于纸张的/柔性传感器、数字病理学和人工智能技术有机结合，形成一个闭环的监测-分析-决策过程。系统架构通常包括数据采集层、数据传输层、数据处理层和决策支持层。数据采集层负责通过
技术挑战与未来展望
尽管近年来内分泌肿瘤监测技术取得了显著进展，但单一模态的局限性、传感材料的稳定性和人工智能算法的临床转化障碍仍然是限制其广泛应用的瓶颈。为了系统地梳理这一领域的发展脉络，本章构建了技术挑战与未来方向之间的对应关系图。
结论
内分泌肿瘤的分散式监测是精准医学的一个重要发展方向。基于纸张的/柔性传感材料、数字病理学和人工智能技术的融合为内分泌肿瘤的实时、连续和个性化监测提供了全新的解决方案。其中，基于纸张的/柔性传感器实现了高灵敏度和低成本的生物标志物检测，数字病理学提供了定量分析
CRediT作者贡献声明
Youjia Li： 项目管理，概念构思。Jia Li：撰写——初稿，研究。Qianshuo Liu：验证，资源。He Wang：撰写——审稿与编辑，可视化
利益冲突声明
作者声明没有可能影响本文工作的竞争性财务利益或个人关系。
数据可用性声明
本文中使用的数据集如“材料与方法”部分所述是公开可获得的。本研究生成的所有数据都包含在本文中。
利益冲突声明
作者声明没有可能影响本文工作的竞争性财务利益或个人关系。
Jia Li|Youjia Li|Qianshuo Liu|He Wang
