人工智能辅助的新诊断模型极具诊断价值

中山大学Wu等报告，一种新开发的、基于人工智能（AI）的膀胱癌诊断模型，在检测淋巴结转移，特别是微转移方面表现良好。该模型在提高病理学家工作的准确性和效率方面显示出巨大的临床应用潜力。（自Lancet Oncol）

准确的淋巴结分期对膀胱癌患者的诊断和治疗非常重要。为了开发一种基于全切片图像的淋巴结转移诊断模型（LNMDM），并评估AI辅助工作流程的临床效果，该项在中国进行的回顾性、多中心、诊断性研究连续纳入接受根治性膀胱切除术和盆腔淋巴结清扫术的膀胱癌患者，这些患者有完整的淋巴结切片图像可用于模型开发。

研究者排除了非膀胱癌和同步手术的或低质量的图像。两家医院的患者在截止日期前被分配到训练集，在截止日期后被分配到内部验证集。另三家医院的患者被分入外部验证集。主要终点为诊断敏感性。

结果显示，2013年1月1日至2021年12月31日，1012例符合条件的膀胱癌患者被纳入研究，包括8177帧图像和20 954个淋巴结。研究者排除不符合条件的情况后，最终纳入了998例患者和7991帧图像（881例为男性，117例为女性；中位年龄64岁；没有种族数据；268例有淋巴结转移），用以开发LNMDM。

在5个医院的验证集中，LNMDM准确诊断的曲线下面积（AUC）范围为0.978（95%CI 0.960~0.996）至0.998（95%CI 0.996~1.000）。

LNMDM和病理学家之间的性能比较表明，该模型的诊断敏感性（0.983，95%CI 0.941~0.998）大大超过了初级病理学家（0.906，95%CI 0.871~0.934）和高级病理学家（0.947，95%CI 0.919~0.968），AI辅助提高了初级病理学家（从无AI时的0.906到有AI时的0.953）和高级病理学家（从0.947到0.986）的诊断敏感性。

在多癌种测试中，LNMDM诊断乳腺癌图像和前列腺癌图像时的AUC分别保持在0.943（95%CI 0.918~0.969）和0.922（95%CI 0.884~0.960）。

在13例患者中，LNMDM检出了被病理学家遗漏的肿瘤微转移，病理学家先前将这些患者的结果分类为阴性。AUC显示，LNMDM能使病理学家排除80%~92%的阴性切片结果，同时在临床应用中保持100%的敏感性。

（编译 吴文博）