牛！！！单细胞测序+深度学习：早期肺癌病理诊断新突破

今天介绍的这篇文章主打-计算机病理技术，come on！一起看看现在的AI病理多模态新玩法！

深度学习（DL）作为人工智能算法的一种，因其能够学习复杂的数据表示，在医学图像分类和目标检测中被广泛研究。然而，DL模型的进一步发展受到缺乏大规模、高质量标注数据集的限制。支气管肺泡灌洗（BAL）是一种用于诊断肺癌的微创程序，但其细胞学检查的敏感性较低。由于脱落肿瘤细胞（ETCs）的稀有性和与正常细胞的细微形态差异，DL在BAL细胞学中的成功应用较为罕见。

近日，由我国复旦大学附属医院和浙江大学医学院的多位专家一起，在 Advanced Science 上发表了题为：“Single-Cell Sequencing-Guided Annotation of Rare Tumor Cells for Deep Learning-Based Cytopathologic Diagnosis of Early Lung Cancer”的研究论文。该研究的创新地利用单细胞DNA测序（scDNA-Seq）作为ETC标注的客观标准，而不是依赖细胞病理学家的主观判断。这种方法不仅提高了数据集的质量和客观性，还减少了对专家标注的依赖，使得大规模数据集的生成成为可能。

主要研究方法与结果：

为了解决DL模型训练中高质量标注数据集的缺乏问题，研究者们采用了单细胞DNA测序（scDNA-Seq）作为ETC标注的客观“金标准”，以生成一个包含580个ETCs和1106个良性细胞的无偏、准确标注的数据集。这些细胞来自BAL细胞学涂片，涵盖了多种肺癌亚型和细胞形态。

图1. 单细胞测序评估BALF中单细胞和细胞团的细胞学注释

研究者利用 scDNA-Seq 技术，从支气管肺泡灌洗液（BALF）样本中生成无偏、准确的脱落肿瘤细胞（ETC）数据集。他们从24名肺癌患者的BALF样本中随机选择约3000个细胞进行单细胞低覆盖全基因组测序（LP-WGS），最终确认了580个ETCs，这些ETCs涵盖了多种肺癌亚型和不同形态的细胞。同时，研究者还从10名良性肺部疾病患者的BALF样本中挑选了1106个良性细胞。这些数据为开发深度学习模型LESSEL提供了高质量的训练基础，显著提高了肺癌诊断的准确性和可靠性。

图2. 单细胞测序确认的BAL ETC数据集

LESSEL 是一种 DL 管道，用于在单细胞水平上快速检测 Papstained BAL 细胞学载玻片中的 ETC。LESSEL通过从Pap染色的BAL细胞学涂片中提取单细胞图像，并利用单细胞DNA测序（scDNA-Seq）确认的ETC数据集进行训练，能够快速检测BALF中的ETCs。该流程包括单细胞提取、质量控制（QC）、单细胞分割和双通道分类模型。研究者开发了基于YOLOX的单细胞提取模型、基于EfficientNet-B2的质量控制模型和基于U-Net的单细胞分割模型，以提高图像质量和细胞分割的准确性。最终，LESSEL通过双通道分类模型分别对大尺寸和小尺寸细胞进行分类，以提高检测的敏感性和特异性。

图3. LESSEL流程和LESSEL衍生的诊断模型

在内部测试中，LESSEL对大尺寸细胞的分类模型显示出57.1%的敏感性、100%的特异性和0.997的AUC；小尺寸细胞的分类模型显示出46.7%的敏感性、100%的特异性和0.956的AUC。

图4. LESSEL性能

LESSEL模型在BAL基础细胞病理诊断肺癌中的临床应用。研究者在发现队列（n=156）中开发了LESSEL衍生的诊断模型，通过分析Pap染色的BAL细胞学涂片，模型的敏感性为47.6%，特异性为97.7%，显著优于传统细胞学检查（敏感性19.0%，特异性100%）。在独立验证队列（n=158）中，模型的敏感性为47.6%，特异性为97.7%，进一步证明了其优越性。在外部验证队列（n=141）中，模型的敏感性为60.0%，特异性为92.5%，再次验证了其在早期肺癌诊断中的潜力。