IF50.5｜全切片边缘断层成像实现临床级自主细胞病理诊断

边缘计算+3D全切片断层成像，让AI细胞学诊断首次达到临床级自主水平。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

细胞病理学（cytology）是宫颈癌、肺癌、膀胱癌等癌症早期检测的核心手段，因其微创、快速、成本低而广泛使用。常规操作中，细胞学家在显微镜下检查每张玻片上约1万至100万个细胞，依据三维核质形态和细胞间空间关系做出诊断。宫颈癌筛查主要依赖液基巴氏涂片，已显著降低宫颈癌发病率和死亡率。然而，细胞学诊断高度依赖主观视觉判读，受培训、经验、认知偏差、疲劳和阅片量影响，导致观察者间和观察者内变异大，敏感性和特异性不稳定。近年来，人工智能（AI）被广泛探索用于辅助细胞学判读，但现有方法多基于二维图像，仅分析少量代表性细胞，难以扩展到全玻片数十万细胞的规模，且仍需要人工监督，无法实现全自主诊断。

科学问题

卡在哪里： 现有AI细胞学系统未能实现全自主、临床级性能，主要瓶颈在于：缺乏对厚细胞学样本（尤其是液基制片中细胞团块）的高分辨率三维成像能力；全切片三维数据量巨大（每片140–391 gigavoxels），采集、存储、传输和计算成本过高；且缺乏类似流式细胞术的群体水平形态分析框架，难以对细胞群体进行直观、可解释的探索。

本文要回答： 开发一套临床级自主细胞病理平台，实现全切片三维断层成像、边缘端实时压缩与存储，并支持细胞级分类和群体水平形态分析，最终在多中心临床样本中验证其诊断性能。

技术路线

作者主要用了：全切片边缘断层成像、HEVC压缩、YOLOX核检测、MaxViT分类、CMD群体分析。

作者构建了集成边缘计算机的光学全切片断层成像系统，CMOS相机以50帧/秒采集高分辨率二维图像，FPGA进行实时预处理，GPU完成三维重建和HEVC压缩，实现约140–391 gigavoxels/片的数据量并压缩至数百MB。随后，用YOLOX检测细胞核，提取最佳聚焦的单细胞图像，用MaxViT视觉Transformer进行十类（后扩展为十一类）细胞分类。在此基础上，提出“形态分化簇”（CMD）概念，将每个细胞的类别概率向量作为标记，进行散点图门控、直方图和UMAP可视化，实现类似流式细胞术的群体分析。最后，在318例单中心样本和1,124例四中心样本上评估了AI的细胞计数与玻片级诊断性能。

图 1　Fig. 1。图1展示了边缘计算机如何协调CMOS图像传感器、FPGA和GPU，实现多深度层二维图像采集、三维构建、压缩和归档。关键参数：每层173或485个成像区，40层，每片约140或391 gigavoxels。压缩利用层内和层间冗余，采用HEVC格式，大幅降低存储需求，同时保持诊断信息。

核心亮点

亮点 1｜全切片边缘断层成像实现快速3D数字化

系统以220 nm横向分辨率和1 μm轴向分辨率扫描全玻片，40层Z轴采集约需8分钟，数据量达140–391 gigavoxels。通过HEVC压缩，10层SurePath玻片文件大小降至约170 MB–1 GB，且PSNR≥40 dB时图像质量足以分辨核仁和核膜。成像、重建和压缩流水线并行执行，任务延迟可预测，确保实时性。该技术首次解决了厚细胞学样本（如液基制片中的细胞团块）的高保真数字化难题，为后续AI分析奠定基础。

图 2　Fig. 2。图2展示了六种不同病变的三维重建图像，包括角化型和非角化型鳞状细胞癌、HPV相关和HPV非依赖型腺癌、乳腺纤维腺瘤和甲状腺滤泡性肿瘤。沿XYZ轴可视化揭示了体积细胞结构和空间关系，突出深度分辨的形态特征和结构变形，证明系统能清晰显示紧密细胞团内的单个核和亚核结构。

亮点 2｜MaxViT单细胞分类AUC超过0.99

在242,669个标注核上训练YOLOX检测器，提取最佳聚焦单细胞图像后，用MaxViT-base视觉Transformer进行十类分类。验证集上，除腺细胞和鳞状化生外，所有类别的AUC均超过0.99，特异性超过98%。腺细胞分类性能相对较低，归因于其核极向多变和常成团聚集。该模型在密集或聚集细胞群体中仍保持高灵敏度和可靠性，为后续群体分析提供了准确的单细胞表型。

图 3　Fig. 3。图3展示了CMD分析流程：散点图门控排除白细胞和无关物体，直方图显示LSIL和HSIL概率分数，UMAP可视化剩余上皮细胞分布。在NILM样本中，UMAP轨迹显示从副基底层到表层/中间层鳞状细胞的形态连续过渡（p1–p4）和从腺细胞到化生细胞的过渡（q1–q4）。在LSIL和HSIL样本中，UMAP清晰分离出异常细胞群。

亮点 3｜CMD实现流式细胞术式群体形态分析

作者提出形态分化簇（CMD），将每个细胞的十维类别概率向量作为标记，进行散点图门控、直方图和UMAP可视化。在NILM、LSIL和HSIL样本中，CMD分析清晰分离白细胞和上皮细胞，并识别出从副基底层到表层/中间层鳞状细胞的形态连续轨迹，以及从腺细胞到化生细胞的过渡。UMAP编码了类似组织学的伪空间分布，使细胞学家能直观探索细胞群体结构，发现新的表型。

图 4　Fig. 4。图4展示了318例样本的全玻片细胞计数。总细胞数跨两个数量级，高细胞数样本富含表层/中间层鳞状细胞，低细胞数样本富含化生和副基底层细胞。表层/中间层鳞状细胞比例随年龄下降，50岁后化生和副基底层细胞比例增加。在NILM中，HPV阳性者AI检测的LSIL和HSIL细胞计数显著高于阴性者。ROC分析显示LSIL+ AUC=0.84，HSIL+ AUC=0.89。

亮点 4｜AI细胞计数与HPV状态和病变严重度相关

在318例单中心样本中，AI检测的LSIL和HSIL细胞计数随细胞学诊断严重度增加而升高。在NILM病例中，HPV阳性者的LSIL（q=0.005）和HSIL（q=0.038）细胞计数显著高于HPV阴性者，表明AI识别的是HPV相关细胞异常而非一般性非典型。HSIL细胞计数在ASC-H及以上类别中显著升高。ROC分析显示，LSIL+检测AUC为0.84，HSIL+检测AUC为0.89，支持AI细胞计数作为定量、可重复的生物标志物。

图 5　Fig. 5。图5展示了四中心AI检测的LSIL和HSIL细胞计数分布。各中心内，LSIL和HSIL计数随细胞学诊断严重度增加而升高。HPV阳性样本的LSIL和HSIL计数显著高于阴性样本（所有中心）。玻片级ROC分析显示LSIL+ AUC为0.86–0.91，HSIL+ AUC为0.89–0.97。与常规细胞学相比，AI在ASC-US+分流阈值下表现更优，在中心C与LSIL+分流相当。

亮点 5｜多中心验证显示稳健的玻片级诊断性能

在四个中心共1,124例样本中，11类模型（新增舟状细胞类）的玻片级AUC为：LSIL+ 0.86–0.91，HSIL+ 0.89–0.97。AI检测的LSIL和HSIL细胞计数在HPV阳性样本中显著高于阴性样本（所有中心）。与常规细胞学相比，AI在ASC-US+分流阈值下表现更优，在中心C与LSIL+分流相当。性能对分类概率阈值（0.60–0.90）和制片方法（SurePath/ThinPrep）稳健。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 全切片边缘断层成像、HEVC压缩、YOLOX核检测、MaxViT分类、CMD群体分析
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事计算病理、医学图像分析、细胞学AI诊断的研究者和临床工程师，以及关注边缘计算与医疗影像结合的从业者。

带走一句

边缘计算与3D全切片断层成像结合，使细胞学数据采集和AI分析可扩展至全玻片规模；CMD框架将形态学转化为可定量、可门控的群体标记，为细胞学诊断提供了类似流式细胞术的探索工具。