肿瘤术中的组织病理学检查是原发性中枢神经系统淋巴瘤（PCNSL）等多种脑肿瘤诊断的金标准方法，是肿瘤手术期间临床决策的重要依据。然而，将PCNSL与其他原发性中枢神经系统肿瘤区分开来仍然具有挑战，受限于术中诊断的时间限制，约10%~20%的病例无法在术中得到明确诊断，并影响临床决策。因此，当前急需开发便捷、快速、可靠的PCNSL组织病理学诊断新方法。

近日，中山大学蔡木炎/谢丹团队联合南方医科大学冶亚平/王瑜团队在《Nature Communications》期刊上发表题为“A multicenter proof-of-concept study on deep learning-based intraoperative discrimination of primary central nervous system lymphoma”的研究文章。该研究基于苏木精-伊红染色的冷冻全玻片图像和深度学习算法开发了一种PCNSL新诊断模型，能够准确区分PCNSL和非PCNSL病变。

在外部验证队列中，新模型在区分PCNSL与神经胶质瘤上实现0.965和0.972的AUROC，在区分PCNSL与非PCNSL病变（神经胶质瘤与其他脑部病变）上实现0.981和0.993的AUROC。该模型的诊断性能显著超过具有1/5年脑肿瘤术中病理诊断经验的病理学家，相比具有10年经验的病理学家略优或相当。并且在该模型的辅助下，仅有1年经验的病理学家同样表现出与10年经验病理学家相当的PCNSL诊断能力。

该研究建立了基于苏木精-伊红染色的冷冻全玻片图像的PCNSL诊断模型。在该模型辅助下，病理学家尤其是低工作年龄的病理学家的PCNSL诊断能力得到进一步提升，有望提高PCNSL与其他脑部病变的术中鉴别能力，并为术中的临床决策提供关键依据。

论文链接：

https://www.nature.com/articles/s41467-024-48171-x

注：此研究成果摘自《Nature Communications》期刊，文章内容并不代表本网站的观点和立场，仅供参考。