Nat Commun：中山大学蔡木炎/谢丹等合作开发识别​原发性中枢神经系统淋巴瘤的新方法

原发性中枢神经系统淋巴瘤（PCNSL）的术中准确鉴别仍然是指导神经外科决策的关键。然而，通过冰冻切片将 PCNSL与其他病变区分开来对病理学家提出了挑战。

2024年5月4日，中山大学蔡木炎、谢丹、南方医科大学冶亚平及王瑜共同通讯在Nature Communications 发表题为“A multicenter proof-of-concept study on deep learning-based intraoperative discrimination of primary central nervous system lymphoma”的研究论文，该研究试图开发和验证一种深度学习模型，该模型能够使用苏木精和伊红（H&E）染色的冷冻全玻片图像精确区分 PCNSL 和非 PCNSL 病变，尤其是神经胶质瘤。此外，研究将其性能与不同专业知识的病理学家进行了比较。人机融合方法集成了模型和病理诊断。

在外部队列中，LGNet在区分PCNSL 与神经胶质瘤方面实现了 0.965 和 0.972的AUROC，在区分PCNSL与非 PCNSL 病变方面实现了 0.981 和 0.993 的AUROC。LGNet的表现优于几位病理学家，显著提高了诊断性能，并通过融合方法在一定程度上进一步增强了诊断性能。LGNet在冰冻切片分析方面的熟练程度及其与病理学家的协同作用表明其在术中诊断中发挥了重要作用，特别是在区分PCNSL与神经胶质瘤以及其他病变方面。

准确的术中诊断对于肿瘤手术期间的决策至关重要。然而，区分不同的原发性中枢神经系统（CNS）肿瘤，包括原发性中枢神经系统淋巴瘤（PCNSL）和非 PCNSL 实体，一直构成重大挑战。PCNSL 和神经胶质瘤是手术中遇到的最普遍的原发性脑恶性肿瘤之一，由于这些肿瘤在神经肿瘤学领域的术中治疗方案存在很大差异，因此需要准确及时的诊断。

而特定的组织形态学特征有助于鉴别诊断，病理学家在区分不同的脑肿瘤方面遇到了挑战，基于苏木精和伊红（H&E） 染色的冰冻切片在以前的大规模研究中。神经影像学为区分这些肿瘤提供了有价值的见解;但是，它缺乏准确区分它们的精度。尽管基于影像组学的机器学习方法在辨别PCNSL和神经胶质瘤方面取得了可喜的结果，但正如汇总分析所强调的那样，一些模型仍显示出性能改进的空间。因此，鉴于术中组织病理学诊断是脑肿瘤的金标准，PCNSL的准确鉴别仍然至关重要。

然而，病理学家无法获得有助于鉴别诊断的免疫组织化学和分子检测，主要依赖于解释 H&E 冷冻玻片的细胞学和组织形态学特征。术中诊断期间的时间限制给病理学家带来了加快诊断的巨大压力，导致相当大比例的病例的发现模棱两可，显着影响神经外科医生的决策。因此，迫切需要一种易于使用且省时的工具，能够在外科手术过程中准确区分 PCNSL 和其他脑部病变，尤其是神经胶质瘤。

深度学习在协助肿瘤诊断的各个方面已显示出潜力。同样，在中枢神经系统病变的背景下，深度学习在基于组织病理学对神经胶质瘤进行分类、分级和风险分层方面取得了成功。然而，深度学习在冷冻样品中的应用仍然有限，需要进一步探索，大多数研究都集中在H&E染色的FFPE样品上。冰冻切片中存在的组织学伪影会阻碍手术期间的快速诊断评估，但深度学习算法可能会提高 H&E 染色冷冻切片的全玻片图像 （WSI）的质量，从而使病理学家对肿瘤进行更准确的分类。最近的研究还表明，深度学习模型能够诊断甲状腺结节并确定乳腺癌前哨淋巴结的转移状态从传统的术中冷冻切片开始，突出了冷冻样本在开发深度学习模型方面的潜力。因此，研究假设深度学习方法可以促进脑肿瘤的术中诊断。

研究的工作流程（图源自Nature Communications ）

该研究旨在训练和验证能够准确区分 PCNSL 和神经胶质瘤的深度学习模型，包括使用 H&E 染色的冷冻 WSI 将 PCNSL 与其他非PCNSL 病变区分开来。研究还设计了一种人机融合方法，通过整合深度学习模型和病理学家的能力来提高诊断性能。最后，研究进行了概念验证研究，以模拟冷冻诊断的真实场景，并评估深度学习模型的实用性。总之，通过概念验证队列的验证，这些发现为神经外科医生在手术中管理不同恶性脑肿瘤患者的知情决策提供了指导。

原文链接：

https://doi.org/10.1038/s41467-024-48171-x