导语

病理诊断是癌症确诊的"金标准"，但全球病理医生严重短缺，我国注册病理医师仅2万余人，人均年诊断量高达7000例！更棘手的是，癌症筛查中阴性样本占比超过95%，大量时间被耗费在"排除正常"上。上海理工大学王成教授团队最新研究给出解决方案：多光谱显微成像（MSI）联合优化MobileViT深度学习模型，实现阴性病例100%准确排除，让病理医生从繁重的基础筛查中解放，专注疑难病例！

Cheng Wang, Qian-Qian Ge, Ru-Juan Wu, Hao-Pu Jian, Hao Chu, Jia-Yi Yang, Qi Chen, Xiao-Qing Zhao, Hua-Zhong Xiang, and Da-wei Zhang. Research on tissue section negative detection algorithm based on multispectral microscopic imaging.Journal of Innovative Optical Health SciencesVol. 19, No. 02, 2550035 (2026)https://doi.org/10.1142/S179354582550035X

正文

一、临床痛点：为什么需要"阴性排除技术"？

癌症已成为全球第二大死因，2022年新增病例约2000万，预计2050年将飙升至3500万。然而，大规模筛查的癌症检出率却极低：

• 中国健康体检肺癌检出率：仅2.1%

• 澳大利亚2023年筛查项目癌症检出率：仅3.8%

这意味着病理医生超过95%的工作时间花在确认"没有癌症"上。长期高强度工作导致视觉疲劳、诊断变异大，更可能因疲劳漏诊真正需要关注的阳性病例。因此，开发自动化"阴性排除技术"——即自动识别并排除明确阴性样本——成为提升诊断效率的关键突破口。

关键数据：robust的阴性排除技术可降低假阴性率27-35%，显著提升诊断质量。

二、技术突破：从RGB到多光谱的"火眼金睛"

传统AI辅助诊断依赖RGB图像，但RGB通道存在光谱重叠问题：苏木精和伊红（H&E）染料的吸光峰均落在绿色通道（500-600nm），无法区分信号来源，导致特征提取能力受限。

研究团队开发的自动化多光谱显微成像系统突破这一瓶颈：

硬件创新：

• 13个窄带LED光源（420-680nm，带宽20nm）

• 高速切换（<1ms），单视野13波段成像仅需3-5秒

• 自动平移台实现大组织切片全扫描

图1展示了系统的光学设计：多波段LED光源经光纤耦合、分光后，通过物镜照射样本，反射光由CCD相机采集，计算机控制自动扫描

三波段精准选择策略：

基于H&E染色光学特性，团队精选三个关键波长：

• 520nm：接近伊红吸收峰，增强胶原纤维和病变表皮对比度

• 600nm：伊红吸收弱，利用折射率差异突出大脂滴、角化珠和鳞状漩涡

• 630nm：位于苏木精吸收峰长波侧，伊红吸收已衰减， optimal核特征对比

图2清晰展示了多光谱成像的优势：(a)正常组织、(b)低分化cSCC、(c)高分化cSCC在不同波段呈现 distinct特征，520nm突出细胞质，630nm强化细胞核，600nm显示细胞外基质

三、算法创新：优化MobileViT的"三重升级"

研究团队选用MobileViT作为基础架构——这是Google 2021年提出的轻量级视觉Transformer，兼具CNN的局部特征提取能力和Transformer的全局建模优势，特别适合资源受限的医疗场景。

针对皮肤鳞状细胞癌（cSCC）分级难题，团队实施了三重优化：

1. 数据增强策略

• 中心裁剪（1024*1024像素保留病理结构）

• 几何变换：90°旋转、水平/垂直翻转、0.8*-1.2*缩放

• 训练集扩充8倍，有效缓解过拟合

2. 自适应Focal Loss

针对类别不平衡（正常40.66%、高分化31.58%、低分化27.77%），引入焦点损失函数：

动态调整类别权重（高分化0.34、低分化0.38、正常0.28），迫使模型关注难分类的 minority类别，避免"偏向正常组织"的偏见。

3. Mish激活函数

替代标准ReLU，Mish函数在负域保持非零梯度：

这一"自正则化"特性保留了细胞核形态等细微特征的 negative信息，增强了对cSCC分化程度的判别能力。

四、惊艳结果：100%阴性排除率的实现

研究使用1083例cSCC组织切片（440例正常、343例高分化、300例低分化），对比了5种主流深度学习模型：

图3显示所有模型对正常组织均达到AUC=1.00的完美区分，但对cSCC亚型区分存在差异，优化MobileViT在高/低分化类别上表现更均衡

关键突破：阴性检测性能

优化后的MobileViT在阴性样本识别上实现完美表现：

图4堆叠柱状图显示：优化前（左）有1例高分化cSCC被误分为正常；优化后（右）正常组织87例全部正确识别，且无一例肿瘤被误判为正常，实现零假阴性！

对比优势：ResNet误将1例癌症判为正常，DenseNet和EfficientNet各有2例漏诊，而优化MobileViT完全杜绝了将癌症误判为正常的风险。

图5热力图直观显示：优化MobileViT（左上）对角线颜色最深，非对角线元素最少，尤其关键位置（normal行high/low列）为0，确保无癌症漏诊

主要创新点

1.首次实现100%阴性病例排除率：在保持对cSCC亚型高识别能力的同时，对正常组织达到完美识别，彻底消除假阴性风险

2.三波段多光谱策略替代高光谱：相比数百波段的高光谱成像（HSI），精选520/600/630nm三波段，在保证诊断精度的前提下，将单视野采集时间从数分钟缩短至3-5秒，大幅降低数据冗余和存储压力

3.MobileViT三重优化体系：数据增强+Focal Loss+Mish激活函数的组合拳，针对性解决病理图像类别不平衡、细微特征难提取等挑战

4.建立可迁移的MSI-AI技术范式：该方法不仅适用于cSCC，更为其他具有distinct光谱特征的恶性肿瘤（如基底细胞癌、乳腺癌、结直肠癌）提供了通用技术框架

应用前景

即时落地场景

• 病理科预筛工作站：自动排除明确阴性切片，病理医生仅需复核阳性及可疑病例，工作效率提升5-10倍

• 基层医院辅助诊断：弥补病理医生资源不足，降低误诊漏诊风险

• 术中快速冰冻切片：实时阴性排除，缩短手术等待时间

中期拓展方向

• 多癌种覆盖：扩展至基底细胞癌、口腔鳞癌等表皮肿瘤早期筛查

• 分子分型与疗效预测：结合基因组学和免疫组化，实现乳腺癌、结直肠癌等实体瘤的精准分型

• 多模态数据融合：整合临床病史、影像数据、基因标记，构建全方位AI诊断平台

长期技术演进

• 边缘计算部署：优化模型轻量化，实现显微镜端侧实时推理

• 数字病理全切片扫描（WSI）整合：从局部分析扩展到全切片智能诊断

• 跨中心泛化能力：通过域适应技术，解决不同医院、不同人群数据的模型迁移问题

临床验证支撑：AstroPath多光谱平台在黑色素瘤免疫治疗反应预测中已达91%准确率，本研究进一步证明MSI-AI技术在阴性排除场景下的临床可靠性。

结语

这项研究为病理诊断的"智能化减负"提供了切实可行的新方案。通过多光谱成像捕捉肉眼不可见的生物分子特征，结合优化深度学习模型，不仅实现了100%的阴性排除准确率，更重要的是彻底杜绝了将癌症误判为正常的风险——这在临床上是不可接受的关键错误。

技术的终极目标是赋能医者，而非取代医者。当AI承担起繁琐的阴性筛查工作，病理医生得以将宝贵的时间和精力投入到真正需要专业判断的疑难病例中，实现"人机协同"的最优配置。期待这一创新技术早日从实验室走向临床病理科，为全球癌症诊断效率的提升贡献中国智慧！

通讯作者简介

王成，上海理工大学副教授，主要研究方向包括：眼视光学研究，主要是视光学设备的开发，特别是检测和视功能评价方面的设备研究；基于显微光谱、多光谱成像的肿瘤细胞、微生物识别研究和荧光成像及在口腔疾病诊断、预防方面的研究。

更多详情见https://nano.usst.edu.cn/2025/1210/c4995a353648/page.htm