Nature | 用于快速、无需标记的胶质瘤浸润检测的基础模型！

Python_金钱豹

墨衍会员 · AI 创作全网分发码龄5年

关注

原创最新推荐文章于 2026-11-12 20:24:02 发布 845 阅读 AI 写同款· GEO 优化 ›

深度学习之Seq2Seq原理与实战【代码】深度学习之Seq2Seq原理与实战。阅读详情

01.工作速览

胶质瘤治疗中一个关键的挑战是在手术中检测肿瘤浸润，以实现安全的最大限度切除。不幸的是，在胶质瘤患者手术后，大多数情况下都发现了可以安全切除的残留肿瘤，这导致了早期复发和生存期缩短。

2024年11月13日，密歇根大学团队在_Nature_ 发表题为“A Foundation models for fast, label-free detection of glioma infiltration****”的研究论文。该研究介绍了FastGlioma，这是一个视觉基础模型，用于快速（<10秒）且准确地检测新鲜、未经处理的手术组织中的胶质瘤浸润。FastGlioma在快速、无需标记的光学显微镜上使用大规模自监督（约400万张图像）进行预训练，并微调以输出一个标准化得分，指示全切片光学图像中肿瘤浸润的程度。

在一项前瞻性、多中心、国际测试队列中，对患有弥漫性胶质瘤的患者（n=220）进行测试，FastGlioma能够以平均92.1±0.9%的接收者操作特征曲线下面积检测和量化肿瘤浸润的程度。在一项头对头的前瞻性研究中（n=129），FastGlioma在手术中检测肿瘤浸润方面的表现远远超过了图像引导和荧光引导的辅助工具。FastGlioma的性能在不同的患者人群、医疗中心和世界卫生组织定义的弥漫性胶质瘤分子亚型中保持高水平。FastGlioma还展示了对其他成人和儿童脑肿瘤诊断的零样本泛化能力，表明基础模型有潜力被用作指导脑肿瘤手术的通用辅助工具。这些发现代表了医学基础模型在解锁人工智能在癌症患者护理中作用方面的变革潜力。

02.匠心独运

由于促炎巨噬细胞向抗炎巨噬细胞的复极化受损，传统的骨组织工程材料难以在糖尿病期间恢复生理性骨重塑。

在这里插入图片描述

图1：FastGlioma工作流程。怀疑患有弥漫性胶质瘤的患者接受外科切除手术。在肿瘤切除过程中，外科医生从手术边缘取样组织。便携式SRH成像系统在手术室获取显微镜图像，由一名技术人员使用简单的触摸屏指令操作。新鲜切除的手术标本直接装载到定制的显微镜玻片中，并插入SRH成像仪，无需组织处理。关于图像获取的更多细节在扩展数据图1中提供。SRH图像可以使用类似H&E的颜色方案进行虚拟染色，以供临床医生审查，如上图所示20。整个切片的SRH图像被分割成多个区块，每个区块通过前馈传递通过一个区块标记器（扩展数据图3a）。这些区块标记，加上附加的分类标记，然后输入到一个整体切片SRH编码器中，该编码器是一个视觉变换器。区块标记器和整体切片编码器作为视觉基础模型，使用大规模自监督进行预训练（扩展数据图3b）。对于肿瘤浸润评分，幻灯片评分模型被微调以输出一个介于0和1之间的标准化连续分数，预测整个切片图像中肿瘤浸润的程度，对应于专家神经病理学家定义的四层整体切片序贯浸润量表（扩展数据图2和4）。序贯标签是弱标签，因为它们仅适用于切片级别。尽管标签较弱，FastGlioma通过识别整个切片SRH图像中具有高概率肿瘤浸润的区域，提供了区域可解释性。比例尺，100微米。

03.卓越性能

在这里插入图片描述

图2：前瞻性临床测试结果。a. 展示了对患有弥漫性胶质瘤的前瞻性、国际、多中心测试队列患者（n=220）的完整预测结果。ROC曲线（平均值±标准差）显示了预测四个肿瘤浸润水平的平均表现。子群分析在扩展数据图6中展示。SRH基础模型预训练在没有微调的情况下显示出强大的预测性能。当使用序数度量学习进行微调时，FastGlioma的整体性能提高了3.2%。FastGlioma的表现优于使用标准监督训练训练出的模型（平均AUC为84.7±1.1%），如补充表4所示。b. 以标准化四分位数格式展示的FastGlioma浸润分数的箱线图，按真实值。分数与真实序数分数有很强的相关性（ρ=0.77，95%置信区间=0.74-0.78）。个别分数在直方图中显示，并对应于a中的AUROC值。c. FastGlioma在全分辨率（FR）与低分辨率SRH图像上的表现。数据为平均值±标准差。FastGlioma允许成像速度提高10倍，且性能损失极小。d. 整个切片SRH表示在线性判别轴上绘制。FastGlioma学习到的表示将整个切片SRH图像排在近乎线性的肿瘤浸润轴上。e. 按世界卫生组织成人型弥漫性胶质瘤亚型进行的子群分析（ROC曲线以平均值±标准差绘制）。FastGlioma在所有三种成人型弥漫性胶质瘤中表现良好。重要的是，FastGlioma在低级别胶质瘤上表现良好，其中肿瘤浸润和组织细胞性可能较低（扩展数据图7）。低级别和低肿瘤浸润是其他手术辅助工具，如荧光引导手术的主要挑战。WT，野生型。

在这里插入图片描述

图3：通用且可解释的FastGlioma预测。展示了来自四个研究中心的弥漫性胶质瘤样本，这些样本涵盖了世界卫生组织成人型弥漫性胶质瘤的全部诊断谱系。通过使用专家医师选择的SRH区块作为支持集，FastGlioma可以匹配底层SRH查询特征，以少量样本（大约10个，仅密歇根大学图像）实现可解释的肿瘤浸润可视化，这些可视化能够跨医疗中心和肿瘤浸润程度进行泛化。FastGlioma的预测和可视化在不同的组织学特征中保持一致，包括密集的肿瘤、浸润性正常脑实质、肿瘤相关的免疫细胞浸润和非典型细胞。FastGlioma能够区分由于肿瘤细胞浸润导致的细胞增多与非肿瘤细胞（如红细胞RBCs）之间的差异。扩展数据图8中提供了额外详细的少量样本可视化。比例尺，100微米。这些图使用了Vecteezy创建。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述