西安交大最新Nature Cancer論文：新型AI病理模型，實現大規模腫瘤篩查及細粒度量化診斷

編輯丨王多魚

排版丨水成文

空間量化是大多數計算病理學任務中的關鍵步驟，從引導病理學家關注臨床感興趣的區域到發現新型生物標志物背后的組織表型。為了規避人工標注的需求，現代計算病理學方法更傾向于采用多示例學習方法，這些方法能夠準確預測整張切片圖像的標簽，但這會以喪失空間感知能力為代價。

2025 年 11 月 19 日，西安交通大學李辰教授、龔鐵梁副教授聯合英國劍橋大學的研究人員（高澤宇博士為論文第一作者），在 Nature 子刊Nature Cancer上發表了題為：SMMILe enables accurate spatial quantification in digital pathology using multiple-instance learning 的研究論文。

該研究開發了全球首個可實現大規模腫瘤篩查及細粒度量化診斷的 AI 病理模型——SMMILe，SMMILe 能夠在僅使用簡化“病人級診斷標簽”的情況下，實現對全玻片病灶進行精確空間量化，打破了傳統弱監督算法“重分類、輕定位”的局限，在無需昂貴人工標注的條件下，能夠像繪制地圖一樣，自動推斷出腫瘤在組織中的具體位置、邊界范圍及不同亞型的空間分布。

在這項最新研究中，研究團隊從數學角度證明，采用實例級聚合的模型能夠在不降低全切片圖像預測性能的情況下，實現更優的空間量化。然后，研究團隊引入了一種基于超級補丁的可度量多實例學習方法——SMMILe，并在 6 種癌癥類型（乳腺癌、肺癌、卵巢癌、腎癌、胃癌和前列腺癌）、3 個高度多樣化的分類任務以及包含 3850 張全切片圖像的 8 個數據集上對其進行了評估。

SMMILe模型架構

SMMILe 能夠在沒有任何位置標注信息的情況下，精準鎖定并還原出具有生物學意義的腫瘤空間圖譜。這不僅解決了 AI 模型的可解釋性問題，更讓病理分析的效率實現了數量級飛躍——一張復雜的組織切片，人工分析可能耗時 20 分鐘，而 SMMILe 僅需約 1 分鐘即可生成詳盡的量化報告。

研究團隊使用兩種不同的編碼器——一種是 ImageNet 預訓練的，另一種是病理學專用的基礎模型——將 SMMILe 與九種現有主流計算病理學方法進行了系統比較，并表明在所有情況下，SMMILe 的全切片圖像分類性能均達到或超過了最先進水平，同時在空間量化方面也表現出色，尤其在多標簽等復雜任務中表現突出。

論文鏈接：

https://www.nature.com/articles/s43018-025-01060-8