《Bioengineering》：Evaluating the Performance of LYDIA: An AI-Powered Assistant in the Detection of Metastatic Tumors to Optimize Clinical Workflows and Inform Soft Tissue Surgical Decision-Making
编辑推荐：
人工智能(AI)整合入数字组织病理学有望提升转移性肿瘤诊断的准确性与效率。研究人员评估了LYDIA（LYmph noDe assIstAnt），一种基于AI的决策支持系统，针对其独立诊断性能及其对组织病理学家工作流、诊断准确性与资源利用的影响。LYDIA在包含
人工智能(AI)整合入数字组织病理学有望提升转移性肿瘤诊断的准确性与效率。研究人员评估了LYDIA（LYmph noDe assIstAnt），一种基于AI的决策支持系统，针对其独立诊断性能及其对组织病理学家工作流、诊断准确性与资源利用的影响。LYDIA在包含366张全切片图像(WSI)的盲法数据集上完成评估，涵盖乳腺、结直肠、肺及皮肤癌。独立运行性能表现出卓越的判别力，乳腺、结直肠、肺、皮肤癌的ROC-AUC分别为0.995、0.963、0.973和0.983。临床效用进一步通过一项多阅片者研究评估，4名资深组织病理学家在有/无AI辅助下判读105张WSI。AI辅助诊断显著缩短各转移灶尺寸的诊断时间，微转移最高加速1.59倍，相当于每WSI平均节省26.5秒。LYDIA还将诊断灵敏度由77.3%提升至87.3%。结果表明LYDIA可同时提升淋巴结转移检测的效率和准确性，降低诊断负荷与辅助检测需求。除优化常规病理工作流外，该系统快速推理能力与人类专家级表现可支持未来术中诊断应用，实现及时的自动或半自动淋巴结状态评估以指导外科决策。诊断时间与辅助检测成本的降低有望改善医疗资源利用与患者照护，尤其在软组织重建与修复决策中。
研究背景与动机
数字组织病理学将传统显微评估转为数字化阅片，为人工智能(AI)在肿瘤检测等高频任务中提供决策支持创造了条件。既往基于卷积神经网络(CNN)的模型在跨组织形态学泛化与单癌种局限上存在不足，且临床采纳受信任与替代顾虑制约。为明确AI作为决策支持（而非替代）在真实工作流中的效用，研究人员开展对LYDIA系统的独立外部验证与模拟临床多阅片者评估。该研究发表于《Bioengineering》，旨在以盲法外部队列与回顾性多阅片者设计，量化LYDIA在淋巴结转移检测中的独立性能、对病理医生速度与准确性的影响及潜在成本节约。
主要关键技术方法
研究人员采用Python与PyTorch构建模型，以Dask并行处理大规模数据。特征提取后端为自研轻量自监督Vision Transformer(ViT)基础模型NeoPath（22M参数，DINO框架训练，448×448像素块，20×/40×放大）。下游分类冻结NeoPath提取384维嵌入，分别训练XGBoost与稀疏卷积神经网络(CNN)，推理时50:50融合生成概率热图。训练集含15,380张WSI，来自CAMELYON、GDC、TissueNet、PANDAS等公开库及曼彻斯特癌症研究中心内部队列（乳腺、结肠、肺、黑色素瘤等）。评估采用两队列：UMCU外部盲法验证队列351张WSI（源自University Medical Center Utrecht回顾性淋巴结切片，剔除15张Warthin瘤后纳366张级联分析）；回顾性多阅片者队列105张WSI，由4名>5年经验病理医生在無/有AI辅助下间隔数周重阅，随机洗牌与旋转以降低记忆偏倚。统计使用Wilcoxon符号秩检验，显著性阈值p<0.05。
研究结果
5.1 Dataset Collection Analytics
研究人员整理UMCU验证队列351张WSI（39例匿名病例，乳腺/结肠/肺/皮肤转移）与多阅片者105张WSI子集，并给出组织类型与转移分级（宏转移/微转移/孤立肿瘤细胞ITC/阴性）分布。
5.2 Evaluation of LYDIA’s Performance in Detecting Metastatic Tumors
在UMCU队列WSI级分析中，LYDIA对乳腺、皮肤、肺、结肠ROC-AUC依次为0.995、0.983、0.973、0.963；在>99%灵敏度下平衡准确率0.915–0.938。节段级分析显示宏转移灵敏度均达1.00±0.00，微转移灵敏度乳腺0.995±0.025、皮肤0.944±0.192，ITC检测可变（乳腺0.757±0.411，结肠0.600±0.548）；假阳性率以皮肤最低（FP/mm2 0.048±0.098），肺最高（0.280±0.478）。
5.3 Characterization of LYDIA Processing Time and Resources
在AWS EC2 G4（NVIDIA T4 GPU）上单WSI平均处理180.73±92.34秒（约3分钟），各组织类型阳/阴性间差异极小，支持GPU间并行扩容。
5.4 Retrospective Multi-Reader Assessment of Diagnostic Efficiency
4名病理医生105张WSI无AI辅助平均90.07秒/张，有AI辅助60.72秒/张（1.48倍加速，p<0.001）；微转移加速1.59倍（省26.5秒），ITC 1.27倍，阴性1.41倍。诊断性能上ROC-AUC由83%升至90%，平衡准确率83.25%→89.91%，灵敏度77.33%→87.33%，假阴性率22.67%→12.67%；ITC检测提升最显著（灵敏度40%→70%，平衡准确率64.58%→81.25%）。
讨论部分总结
研究人员指出LYDIA凭NeoPath自监督ViT架构实现跨癌种泛化，弥补CNN单癌种局限；多阅片者加速与CONFIDENT-B试验相当，因直接在H&E切片识别转移可降低免疫组化(IHC)复染与单次约�15成本。3分钟单卡推理具备术中近实时评估淋巴结状态、指导软组织瓣重建潜质。局限性为单中心、单商用系统、回顾性队列与少量病理医生，未覆盖扫描仪/染色协议异质性；需前瞻多中心及病理-整形外科联合术中验证。
结论部分翻译
AI（特别是LYDIA类工具）整合代表肿瘤诊断与后续外科管理的变革性转变。本研究证实LYDIA在多种癌种淋巴结WSI分析中具备高效与精确，表现稳健且优化工作流。结果提示未来指南可正式推荐经验证的AI决策支持系统（如LYDIA）作为肿瘤患者淋巴结常规组织病理评估的辅助手段。通过衔接病理与手术室，此类快速诊断系统可精简术中工作流，提供及时淋巴结评估以引导安全即时的软组织重建。在不牺牲准确性的前提下缩短诊断周期并减少非必要IHC染色（直接降本），AI辅助工作流有望提升诊断效率与资源优化，将节约资源再投入先进软组织修复与生物工程举措，最终促进肿瘤患者照护的可持续连续性。
