大约一半的呼吸系统手术是针对原发性肺癌，8%–10%为转移性肺肿瘤；这两种疾病的发病率都在逐年上升。1,2 肺癌的标准手术方法是肺叶切除术，最近有两项大型前瞻性研究显示，在特定条件下行肺段切除术也能取得良好效果。3,4 相比之下，对于转移性肺肿瘤的标准手术方法尚无明确指南。对于体积较大的转移性肺肿瘤或靠近肺门的肿瘤，有时会采用解剖性切除术。但由于转移性肺肿瘤往往同时或异步出现，为保留肺实质与功能，通常采用亚肺叶切除术——主要是部分切除术。5, 6, 7 在之前的研究中，6,122例转移性肺肿瘤病例中有4,644例（75%）接受了亚肺叶切除术。7 肺癌与转移性肺肿瘤的适宜切除范围有所不同。
术前明确诊断十分重要，但往往难以准确区分原发性肺癌与转移性肺肿瘤。即便通过支气管镜检查或计算机断层引导下的经胸活检获得了足够组织，并进行了免疫组化染色，要区分二者依然具有挑战性。此外，转移性肺肿瘤可通过血液传播，可能出现在与支气管无关的部位，因此很难获取足够的组织样本。在无法明确诊断的情况下，手术方式的选择需依据病史与影像学检查结果，但对于有恶性肿瘤史的患者来说，这一决策尤为困难。
术中诊断可通过快速对手术中从可疑病变处取得的组织样本进行病理学评估，从而帮助确定合适的手术方案。通常，会从部分切除的肺组织中取出一部分作为样本，制作冷冻切片后用苏木精-伊红染色进行观察。该方法在区分良性与恶性肿瘤方面具有较高的准确性，也可用于评估肺腺癌的侵袭程度。8, 9, 10, 11 然而，由于技术原因，冷冻切片诊断时一般不进行免疫染色，因此除非存在特征性的形态学或细胞学表现，否则很难区分原发性肺癌与转移性肺肿瘤。在这种情况下，术中诊断结果可能仍不明确，或与最终病理诊断结果不一致。
一项前瞻性研究显示，有恶性肿瘤史的患者中，原发性肺癌与转移性肺肿瘤的鉴别难度为51.8%。12 尤其是在仅发现肺部病变时，准确区分原发性肺鳞状细胞癌与转移性肺鳞状细胞癌仍是一项重大诊断难题；这一难题也存在于常规组织学评估中，因为两种肿瘤的形态学与免疫组化特征往往相似。此类情况下，需要采取全面的诊断策略，结合临床信息、其他潜在病变的对比分析，以及组织特异性基因表达谱分析、人乳头瘤病毒感染状况检测等先进辅助检查。13 术中诊断的另一个难点在于，需要具备癌症病理学专业知识的病理学家能够及时给出诊断意见。虽然病理学家通常会参与冷冻切片的评估，但在繁忙的手术流程下，要始终保持诊断的精确性并非易事。
近年来，深度学习已被应用于数字化的病理全切片图像，用于分类恶性肿瘤并预测预后。已有研究报道，利用全切片图像可高度准确地对肺腺癌和鳞状细胞癌进行分类并预测预后。14, 15, 16 还有研究构建了用于分类肾细胞癌和软组织肉瘤的模型：15,17 用于诊断乳腺癌淋巴结转移的模型：18,19 以及用于诊断前列腺癌的模型：20 这些模型的准确率都很高，表明深度学习有望帮助病理学家识别肿瘤亚型与临床分级，以及检测基因突变。为协助区分原发性肿瘤与转移性肿瘤，卢等人构建了一种基于深度学习的模型，该模型使用了来自18种器官的肿瘤全切片病理图像进行训练。21 该模型在测试集（共6,499例）中的整体准确率为83.4%，前三分位准确率为95.5%，前五分位准确率为98.1%。虽然该模型能有效预测肿瘤起源与转移状态，但无法进行组织学亚型分类，也无法给出符合世界卫生组织标准的分类结果。尽管深度学习在全切片图像应用方面的价值已得到证实，但目前尚未有模型可用于根据冷冻切片区分肺癌与转移性肺肿瘤。
在本研究中，用于术中诊断的冷冻切片被数字化为全切片图像，随后构建并验证了深度学习模型，以准确区分肺癌与转移性肺肿瘤。由于不同组织学类型的诊断难度存在差异，所有肿瘤被分为腺癌、鳞状细胞癌及其他类型，然后分别评估各类型的诊断性能。此外，我们还构建并评估了用于区分以鳞状型为主的腺癌与其他类型腺癌的模型。为了提高可解释性，还通过热图展示了模型在区分肺癌与转移性肺肿瘤时的关注区域，即模型重点分析的区域。
