浆膜腔积液病理分析是临床诊断疾病的一种重要途径。在恶性浆膜腔积液中，原发性间皮肿瘤相对少见而转移性肿瘤较常见，而在转移性肿瘤中又以腺癌最常见。准确快速筛查浆膜腔积液中的腺癌细胞对诊断转移性肿瘤的分期并及时提供药物治疗至关重要。全载玻片成像的出现，以及人工智能和先进深度学习模型的发展有望帮助病理医生提高诊断效率和准确性。近期，我们团队提出一种基于多实例学习的弱监督深度学习模型CEENet，并首次将细胞蜡块技术与深度学习模型结合用于筛查浆膜腔积液中的腺癌。结果表明，所提出的模型不仅在弱监督下实现了先进的性能，同时平衡了可学习参数的数量和计算成本，减少了病理医生的工作量，而且在浆液性腺癌细胞病理应用场景下模型表现出了很强的可解释性和泛化能力。该模型性能和特点表明其在浆膜腔积液快速筛查和诊断中的有效性，及其在临床及精准医疗中的广泛应用前景。

浆膜腔积液全玻片腺癌筛查流程示意图

该研究成果以“Weakly Supervised Multiple Instance Learning Model With Generalization Ability for Clinical Adenocarcinoma Screening on Serous Cavity Effusion Pathology”为题发表于国际权威期刊《Modern Pathology》（SCI一区Top），福建师范大学为论文第一单位，我校硕士研究生张宇鹏、朱小龙为共同第一作者，王琨副教授及福建医科大学附属第一医院曾赛凡主任为通讯作者。本项研究得到国家自然科学基金、福建省科技厅产学合作项目、福建省卫健委联合创新项目、福建省自然科学基金等项目资助。

论文链接：https://doi.org/10.1016/j.modpat.2024.100648