【科技自立自强】西安交大与剑桥大学联合发明全球首个
可实现大规模肿瘤筛查及细粒度量化诊断的人工智能病理模型
将耗时20分钟的复杂病理切片分析缩短至仅需1分钟，且无需医生进行繁琐的逐一人工标注。近日，一项由西安交通大学计算机科学与技术学院、国家医学攻关产教融合创新平台李辰教授团队联合剑桥大学完成的AI医学突破，让这一场景成为现实。该技术在国际上率先攻克了弱监督学习下数字病理全玻片（WSI）难以实现精确空间量化的瓶颈，被形象地比喻为病理诊断的“声纳系统”。这意味着，AI病理诊断正从单纯的“粗略分类”正式迈向“精准量化”的新时代。
在癌症精准诊疗中，千兆像素级的数字病理切片是“金标准”。然而，长期以来计算病理学面临着一个巨大的“黑盒”难题：现有的主流AI方法（多实例学习MIL）虽然能以较低成本判断切片“是否有癌症”，但无法回答“病灶具体在哪里”“恶性程度如何分布”以及“各类亚型占多大比例”。要想获得这些关键信息，往往需要病理医生投入大量精力进行逐像素的“手动描绘”，这在临床上几乎是不可能完成的任务。
针对这一难题，研究团队提出了名为SMMILe的新型人工智能框架，相关论文近日发表于国际肿瘤学权威期刊《自然·癌症》 （Nature Cancer）。SMMILe是首个能在仅使用简化“病人级诊断标签”的情况下，实现对全玻片病灶进行精确空间量化的AI系统。SMMILe打破了传统弱监督算法“重分类、轻定位”的局限，在无需昂贵人工标注的条件下，能够像绘制地图一样，自动推断出肿瘤在组织中的具体位置、边界范围及不同亚型的空间分布。
为何SMMILe能做到其他AI做不到的事？ 该技术的创新之处在于其独特的设计理念——它类似于一套用于图像的“声纳”系统，本质上赋予了计算机“在黑暗中视物”的能力。
传统方法往往因为缺乏详细坐标信息而“抓瞎”，或者只能捕捉到最明显的特征。而SMMILe通过融合特征压缩、参数自适应处理及马尔可夫随机场约束等前沿数学模型，能够敏锐捕捉到微弱的病理信号。即便是在没有任何位置标注信息的情况下，它也能像声纳探测海底地形一样，精准锁定并还原出具有生物学意义的肿瘤空间图谱。这不仅解决了AI模型的可解释性问题，更让病理分析的效率实现了数量级的飞跃——一张复杂的组织切片，人工分析可能耗时20分钟，而SMMILe仅需约1分钟即可生成详尽的量化报告。
