食管腺癌（EAC）是食管下段的恶性肿瘤，常见于吸烟者和饮酒者，5年生存率低于20%。巴雷特食管(BE)是唯一被公认的EAC癌前病变，对巴雷特食管的筛查和诊治是预防食管腺癌的关键所在。然而，只有不到20%的BE患者被准确诊断出来。临床上主要通过医生对H & E 和免疫组织化学标志物 TFF3来诊断BE，但工作量大难以实现大规模筛查。因此，需要寻找更有效的方法实现BE的检测，促进EAC早期诊断和治疗。

近日，来自剑桥大学的科学家团队在《Nature Communications》期刊上发表题为“Enabling large-scale screening of Barrett’s esophagus using weakly supervised deep learning in histopathology”的文章。该文章提出了一种从常规染色的 H & E切片直接检测BE的深度学习方法。

杯状细胞与巴雷特食管异常增生有关，临床上H&E和TFF3评估都侧重于有杯状细胞的区域。该研究通过深度学习模型，从H&E组织切片中识别杯状细胞，并将杯状细胞的水平通过图像块的加权特征表示出来，构建了H & E BE-Trans MIL用于BE监测。该研究共纳入1866名患者的病理样本， H & E模型分别在发现和测试队列实现了0.914 和0.873的 AUROCs，与临床上TFF3的诊断性能相当，且能将临床工作量减少到48%。

该研究使用常规 H & E切片的深度学习模型用于BE诊断，在确保诊断性能的同时能大幅度减少临床工作量，促进了BE 的大规模筛查，使EAC早期诊断和治疗可能。

论文链接：

https://www.nature.com/articles/s41467-024-46174-2#Sec8

注：此研究成果摘自《Nature Communications》杂志，文章内容不代表本网站观点和立场，仅供参考。