2019年7月，德国学者发表在《Eur J Cancer》的一项研究，调查了使用深层神经网络对组织病理学黑色素瘤图像进行病理学家水平的分类的潜力。

背景：多数癌症的确诊是由通过委员会认证的病理学家基于显微镜下的组织活检完成的。最近的研究提示，不同病理学家个体之间存在高度的不一致性。对于黑色素瘤，文献报道，良性痣与恶性黑色素瘤的分类不一致率为25%~26%。为提高肺癌和乳腺癌诊断的准确性，成功进行了深度学习。本研究旨在阐明深度学习辅助人类评估黑色素瘤组织病理学诊断的潜力。

方法：一名组织病理学专家根据当前指南对695个病变进行了分类（痣350个，黑色素瘤345个）。仅对这些病变的苏木精和伊红染色（H&E）载玻片使用玻片扫描仪进行数字化，然后进行随机剪裁。生成的595个图像用于卷积神经网络（CNN）训练。剩下的100个H&E图像切片用于比较CNN结果与原始分类标签结果。

结果：黑色素瘤与组织病理学家的总体不一致率为18%（95% 置信区间[CI]，7.4~28.6），痣为20%（8.9~31.1），全图像集为19%（11.3~26.7）。

结论：即使在最坏的情况下，CNN的不一致与文献报道的人类病理学家之间的不一致相比都几乎是相同的。CNN所需的数据量、诊断所必须的时间和成本都大幅减少，但其表现仍与病理学家不相上下。因此，CNN是辅助人类黑色素瘤诊断的一种有价值的工具。

http://www.ncbi.nlm.nih.gov/pubmed/31129383

（选题审校：黄振城 编辑：王淳）

（本文由北京大学第三医院药剂科翟所迪教授及其团队选题并审校，环球医学资讯编辑完成。）

如需转载，请联系医纬达客服邮箱：univadiscnhelpdesk@merck.com