眼睛是人类洞察世界的关键器官，眼睑则是保护眼睛的重要结构。日常生活中，揉眼习惯、过强紫外线照射以及不健康饮食等诸多因素容易诱使眼睑部位生长肿瘤，即眼睑肿瘤。眼睑肿瘤有良恶性之分，其治疗方案完全不同：良性肿瘤早期体积较小无需处理，后期体积较大影响视力、外观时，手术切除即可；而恶性肿瘤一旦确诊除手术切除外，还需放疗、化疗和靶向治疗等辅助治疗，同时随访观察，避免癌灶转移，导致患者失明甚至死亡。 

　　在我国，眼睑基底细胞癌（Basal Cell Carcinoma，BCC）与皮脂腺癌（Sebaceous Carcinoma，SC）是最为常见的两种眼睑恶性肿瘤，分别占据眼睑恶性肿瘤的41.82%与41.55%。临床上，BCC患者行手术切除后将辅以电化疗，而SC患者手术后则采用放疗辅助。此外，由于BCC的转移率与死亡率较低（分别为0.0028%与0.5%），患者术后五年内每年随访一次即可；而SC的转移率高出BCC数千倍（达到21%），且死亡率也高出其数十倍（为7.5%），患者术后一个月、三个月、六个月均需随访，且需保证五年内每半年随访一次。因此，眼睑BCC与SC二者精准鉴别对患者术后辅助治疗方式以及随访方案的制定具有重要意义。 

　　然而，外观上二者均表现为孤立的实体结节，且均伴有纤毛缺失（如图1中a和b所示），难以肉眼区分，必须借助组织病理学分析进行鉴别。但二者均来源于毛囊皮脂腺，细胞组织形态相似（如图1中c和d所示），病理医师显微镜下肉眼鉴别难度大，特别是当肿瘤细胞组织分化较差时，病理诊断不仅耗时，而且极易误判。 

　　针对上述问题，中科院苏州医工所高欣团队借助前期在病理图像智能计算领域积累的技术，面向眼睑肿瘤精准鉴别需求，提出了一种全自动智能化病理图像分类方法（如图2所示）。该研究共纳入上海交通大学医学院附属第九人民医院296张眼睑肿瘤病理全切片图像（Whole Slide Image，WSI），其中BCC 116张，SC 180张。团队基于深度学习方法，采用迁移学习策略，构建图像块预测模块，精确计算图像块的肿瘤类型概率，实现了细粒度水平下病理组织切片的数字化定量解读；采用概率平均方式聚合每张WSI中所有图像块的预测结果，构建WSI分类模块，最终实现了眼睑肿瘤类型精准鉴别。 

　　研究结果表明，所提方法的准确率在测试集上达到98.3%，实现了目前已报道的精度最高的眼睑BCC与SC病理WSI分类，并且显著高于3名临床病理医师（1名具备10年以上皮肤科病理诊断经验的高年资病理医师和2名刚完成3年规范化培训的低年资病理医师）独立鉴别的准确率（分别为83.1%、72.9%和64.4%）。此外，借助所提方法，病理医师的鉴别准确率均有提升，特别是低年资病理医师的诊断准确率提升近30.0%。 

　　该研究的价值在于探索并验证了人工智能技术在辅助病理医师提升眼睑肿瘤鉴别准确率方面的临床应用潜力，为改善我国眼科疾病诊疗现状提供新的理论依据和方法。 

　　相关成果发表于放射学领域期刊Quantitative Imaging in Medicine and Surgery（IF 4.630），苏州医工所张家意博士为并列第一作者。 

　　论文链接：https://dx.doi.org/10.21037/qims-22-98 

 　　图1. 眼睑肿瘤外观与病理图像。 

　　（a）BCC外观；（b）SC外观；（c）BCC病理；（d）SC病理 

 图2. 全自动智能化的眼睑肿瘤病理鉴别方法流程图。