数据高效机器学习检测十二指肠上皮肿瘤的多中心研究

medRxiv 预印本 · 2026-10-11 · 预印本

• 一句话结论：结论方向：该多中心预印本提示，基于基础模型与数据高效流程的机器学习可从全切片图像中检出十二指肠上皮肿瘤，并在跨医院与外部测试中保持较好判别表现；证据档位为C，属预印本阶段，尚不足以下结论。
• 研究设计与做法：研究设计与做法：构建五家医院的HE染色十二指肠活检全切片图像数据集（10倍放大），含8027例正常与401例肿瘤活检（腺瘤、癌及神经内分泌肿瘤）；图像分块后用Hibou-B基础模型编码，比较全局标准化与位点特异性标准化，流程结合主成分分析、高斯混合模型与随机森林分类器，采用留一医院交叉验证并在第五家医院独立测试。
• 主要结果：主要结果：留一医院交叉验证中平均准确率90%、敏感度96%、特异度83%、AUC 0.96；外部测试医院准确率94%、敏感度93%、特异度95%、AUC 0.97；位点特异性标准化较全局标准化使交叉验证平均准确率提高20个百分点，高斯混合流程较块嵌入均值池化提高12个百分点。
• 机制或解释：机制或解释：作者将性能归因于基础模型编码与位点特异性标准化对跨中心染色与扫描差异的校正，以及高斯混合建模对块嵌入分布的有效刻画，从而在肿瘤训练样本有限时仍保持泛化；未涉及生物学机制层面的解释。
• 局限与边界：局限与边界：属预印本，未经同行评议；肿瘤样本量有限（401例），类别高度不平衡；数据来自五家医院，人群与设备范围有限；随访与临床结局材料未报告；利益冲突材料未报告。
• 可否落地：可否落地：对科研而言，提示基础模型加位点标准化可作为罕见病理诊断的数据高效路线，值得在更多中心与前瞻性队列中验证；对临床而言，当前尚不足以下结论支持直接用于诊断决策，属“提示”档位。

🔗 打开原文

Di Lisio, F., Soilleux, E. J., Jaeckle, F.

本文摘自《每日前沿研究简报 · 2026-10-13》「医学与健康」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。