《Diagnostics》：Few-Shot Learning for Cytological Classification of Primary Lung Cancer and Pulmonary Metastases During Endobronchial Ultrasound
编辑推荐：
背景：支气管内超声（EBUS）广泛用于肺部病变的诊断。当与快速现场细胞学评估（ROSE）相结合时，可提高诊断准确性并有助于早期识别恶性肿瘤来源。然而，在ROSE过程中，由于细胞病理学支持有限以及肿瘤细胞之间的形态学相似性，区分原发性肺癌与转移性肿瘤（例如乳腺或
背景：支气管内超声（EBUS）广泛用于肺部病变的诊断。当与快速现场细胞学评估（ROSE）相结合时，可提高诊断准确性并有助于早期识别恶性肿瘤来源。然而，在ROSE过程中，由于细胞病理学支持有限以及肿瘤细胞之间的形态学相似性，区分原发性肺癌与转移性肿瘤（例如乳腺或结直肠来源）仍然具有挑战性。本研究旨在开发一种计算机辅助诊断（CAD）系统，用于从有限的细胞学样本中对恶性肿瘤类型进行分类，以促进临床决策。方法：研究人员利用一项回顾性数据集，该数据集包含2018年11月至2024年6月期间在EBUS操作中获得的细胞学图像。研究重点是对三种恶性肿瘤进行分类：肺腺癌、转移性乳腺癌和转移性结直肠癌。开发了一种基于深度学习的模型（PLFCH），该模型整合了少样本学习、参数高效微调以及混合CNN–Transformer架构，以解决注释数据有限的问题。结果：共纳入41例患者的346张细胞学图像。在3-way 5-shot设置下，所提出的模型达到了49.26%的准确率，优于现有的少样本学习方法，精确率、召回率和F1分数分别为0.477、0.493和0.480。将每类参考图像数量增加到20张进一步将准确率提升至55.48%。结论：所提出的框架在有限数据条件下的细胞学分类中表现出改进的性能。这些发现为在EBUS操作期间将少样本学习应用于细胞学评估提供了早期概念验证。在建立其辅助诊断决策的潜在作用之前，需要进一步改进模型性能并在前瞻性、实时临床环境中进行验证。
论文解读
一、研究背景与问题
癌症是全球范围内导致死亡的主要原因，每年约有近1000万人死亡，其中大多数癌症相关死亡由转移引起。肺脏由于其丰富的血管网络以及作为接受全部心输出量的主要毛细血管床，成为多种恶性肿瘤常见的转移部位，这有利于循环肿瘤细胞的血液性播散和捕获。因此，准确区分原发性肺癌与肺转移瘤在临床上至关重要，因为两者的预后和治疗策略存在显著差异。支气管内超声（EBUS）是一种微创技术，用于评估肺部和纵隔病变，具有良好的安全性。与快速现场细胞学评估（ROSE）结合时，可在操作过程中即时评估标本充足性并进行初步细胞学判读，有助于获取适当标本并减少重复操作。然而，ROSE的实施受限于需要现场细胞病理学专家；尽管肺科医生经过短期培训后可以执行ROSE，但临床采纳率仍然较低，且准确区分原发性肺癌与转移性病变仍然具有挑战性。因此，需要一种更实用且可及的方法用于实时诊断评估。
人工智能在细胞学图像分析方面具有巨大潜力，但多数研究集中于区分良恶性病变，较少应用于不同恶性细胞类型的分类。此外，获取足够大且标注准确的单一恶性亚型数据集十分困难，进一步限制了亚型特异性模型的开发。在实际临床实践中，已知有肺外恶性肿瘤的患者，其肺部病变可能基于临床和影像学结果被视为转移性，因此并不总是进行组织病理学确认，导致可用于图像采集和病理标注的肺转移细胞学标本较少。少样本学习（FSL）为解决医学图像分类中的数据稀缺问题提供了途径，但现有方法在真实世界临床数据上往往泛化能力有限，尤其是在类别不平衡、域偏移以及原发性肺癌与转移性肿瘤之间的细微类间差异方面。尽管已有采用参数高效微调（PEFT）、细粒度图像分类（FGIC）、混合CNN–Transformer架构和对比学习等策略的研究，但针对EBUS操作中获得的细胞学图像，专门用于区分原发性肺癌与肺转移瘤的人工智能方法仍然有限。为此，研究人员提出了一个整合这些技术的深度学习计算机辅助诊断系统。
二、研究目标与主要技术方法
本研究旨在开发并评估一个名为PLFCH的深度学习框架，用于在细胞学图像上区分原发性肺腺癌、转移性乳腺癌和转移性结直肠癌。研究利用了2018年11月至2024年6月期间在国立台湾大学癌症中心和国立台湾大学医院新竹分院接受EBUS操作的患者的回顾性数据。细胞学标本通过经支气管肺活检（TBB）或经支气管针吸活检（TBNA）获得，并采用Hemacolor快速染色法进行ROSE。图像由经验丰富的肺科医生在显微镜下以100×、200×或400×放大倍率拍摄。主要采用以下关键技术方法：基于原型网络（Prototypical Networks）的少样本学习框架，结合预训练→元学习→微调（PMF）策略；使用Mini-ImageNet数据集进行元训练，以学习可迁移的特征表示；采用低秩适应（LoRA）进行参数高效微调；利用混合CNN–Transformer架构（CvT）作为主干网络，并结合对象定位（OL）模块提取细粒度局部特征；引入对比学习（CL）以增强特征判别性。模型性能在600个测试任务上平均评估，每个任务包含3个类别、5个支持图像和15个查询图像，且保证患者级别的分离以防止数据泄漏。
三、研究结果
3.1 数据集特征
共纳入41例患者，收集了346张细胞学图像，包括120张原发性肺腺癌图像、84张结直肠癌转移图像和142张乳腺癌转移图像。
3.2 主干网络比较
在评估的模型中，CvT主干网络取得了最佳整体性能，准确率为47.04%，精确率为0.463，召回率为0.470，F1分数为0.466。ResNet-18表现相当（准确率42.05%），而ResNet-50和ViT-Small表现略低。
3.3 微调方法比较
LoRA取得了最佳整体性能，准确率为47.93%，精确率0.474，召回率0.479，F1分数0.477，且仅需0.74%的可训练参数。BitFit表现相当（准确率47.40%），但可训练参数更少（0.31%）；全微调准确率为47.04%，仅微调最后一层准确率为45.21%，不进行微调的准确率为44.66%。
3.4 消融研究
基线模型准确率为44.00%。加入CvT主干后准确率提升至47.04%（+3.04%）；加入LoRA后进一步提升至47.93%（+3.93%）；加入OL模块后准确率为48.00%（+4.00%）；进一步整合对比学习后准确率升至48.77%（+4.77%）。整合所有组件的完整模型取得了最佳性能，准确率为49.26%（95% CI, 48.55–49.97%），精确率0.477，召回率0.493，F1分数0.480。
3.5 与现有方法比较
与ProtoNet、MetaOpt、LDPNet、PMF和CAML等现有少样本学习方法相比，PLFCH在所有评估指标上均取得最佳表现，准确率达49.26%，而大多数对比方法准确率低于40%。
3.6 不同样本数量下的性能
随着支持样本数量增加，准确率从1-shot的44.84%提高到5-shot的49.26%、10-shot的54.62%和20-shot的55.48%，精确率、召回率和F1分数也呈相似趋势。
四、讨论与结论
研究人员分析了模型的混淆模式，发现其对乳腺转移和结直肠转移的召回率较高（分别为61.5%和55.3%），而对原发性肺腺癌的召回率最低（30.9%）。在真正原发性肺腺癌样本中，35.8%被误分类为乳腺转移，33.4%被误分类为结直肠转移，表明模型在区分原发性肺腺癌与转移性肿瘤之间的细微形态学差异方面存在局限。消融研究表明每个组件均提供增量贡献。研究人员还比较了使用Mini-ImageNet与自定义医学数据集进行预训练的效果，结果显示Mini-ImageNet性能更优，这可能归因于其更高的类别多样性。在公共数据集上的评估表明，PLFCH在域外数据集上仍具有竞争力，平均排名第二。
研究结论指出，PLFCH框架在区分原发性肺癌与转移性肿瘤方面相比现有方法取得了改进性能，这可能归因于细粒度特征提取、参数高效微调、混合CNN–Transformer架构和对比学习的整合。然而，鉴于整体准确率仍然有限、数据集规模小以及缺乏实时临床验证，当前发现应被视为早期概念验证，而非即时临床适用性的证据。未来研究将集中于扩大数据集多样性、改进模型性能，并在前瞻性临床环境中进行验证，以确定其在支气管镜检查过程中辅助诊断决策的潜在作用。
