播客 | 4%被病理医生遗漏的淋巴结转移，或可被人工智能模型PanCAM检出
《柳叶刀-数字医疗》（The Lancet Digital Health）发表了一项关于泛癌种通用的淋巴转移病理人工智能诊断系统的研究。该系统可在跨癌种、跨中心、跨设备环境下灵敏检测肿瘤淋巴微转移，促进肿瘤病理N分期精准诊断，避免因微小转移灶漏诊而导致的分期低估与治疗延误。在本期《柳叶刀-数字医疗》播客中，高级编辑韩尚容对话本文作者吴少旭，共同探讨这一研究的团队分工、背景、主要发现、独特之处、研究意义和未来的研究计划。识别文中二维码或点击文末阅读原文，查阅原文。
欢迎收听《柳叶刀-数字医疗》的播客节目，我是《柳叶刀-数字医疗》的高级编辑韩尚容，今天我们非常高兴地邀请到了来自中山大学孙逸仙医院泌尿外科的吴少旭教授来做客我们的节目，我们将借此机会讨论于2026年3月发表在《柳叶刀-数字医疗》的一篇有关基于人工智能的泛癌肿淋巴结转移诊断模型（PanCAM）的研究。
韩尚容：请您能否先简单的介绍一下您自己，您的团队，以及您在本研究中的角色？
吴少旭：我是来自中山大学孙逸仙纪念医院泌尿外科的吴少旭医生，从事泌尿外科工作已有10余年，一直深耕在泌尿系统肿瘤的临床诊疗与基础研究工作，尤其在膀胱癌的精准诊疗与全程管理上。从2015年开始，我们团队逐渐开展医工交叉的研究，探索利用人工智能技术解决临床诊疗过程当中面临的挑战，尤其是如何去提高肿瘤诊断的准确性及诊断的效率。
在此项PanCAM模型研究中，我主要负责具体研究工作的推进和实施，包括数据的整理和质控、模型的设计与优化、多中心数据的整合分析，以及论文的撰写和修改等。同时，我参与了临床需求与技术方案之间的沟通与转化工作，协助推动临床医生，病理科专家及AI算法工程师之间的紧密协作。在林天歆教授的指导下，我们确保这项工作既遵循严谨的科研方式，又能紧扣临床未被满足的需求，最终让模型从研究构想走向能在《柳叶刀-数字医疗》上发表的成熟成果。
韩尚容：请您简单介绍一下PanCAM模型，以及是什么促使您的团队构想出这样一个人工智能的诊断模型？
吴少旭：PanCAM模型它的全称是pan-cancer artificial intelligence diagnostic model，也就是泛癌肿淋巴转移的人工智能病理诊断模型。这是我们团队自主研发的一个能跨癌种精准识别淋巴结转移灶的病理AI诊断系统，通过AI算法分析淋巴结的数字化病理图像，自动识别出切片当中的肿瘤转移病灶。哪怕直径小于两毫米的常规病理检查很容易漏诊的微转移病灶，它都能够精准快速的识别出来，最终给病理科医生提供清晰的病灶定位与诊断的参考意见。
临床工作中的三个迫切需求促使我们去开展这项工作。
第一个需求是淋巴结转移的诊断结果，它决定了患者的治疗方案决策和愈后情况。对于绝大多数的实体肿瘤患者来说，淋巴结有没有转移，是判断肿瘤分期制定治疗方案的关键依据；淋巴结转移阳性的肿瘤患者，术后接受规范的辅助辅助治疗，5年生存率可以达到70%~85%。同样的患者如果没有接受辅助治疗，5年生存率只有不到50%。简单来说，我们能不能精准的检测出有没有淋巴转移，直接决定了患者要不要做术后的辅助治疗，也决定了患者能不能活得更久，活得更好。
第二个需求是传统的病理诊断模式面临的两大挑战。第一个是很容易漏诊。目前淋巴转移的诊断主要还是依赖病理科医生在镜下进行人工阅片，但对于直径小于两毫米的微转移病灶，尤其是在边缘性的病灶，常规阅片漏诊率可以达到8%~13%，这类的漏诊会导致我们肿瘤患者的分期被严重低估，患者会因此错过及时必要的辅助治疗，进而增加患者术后复发及转移的风险。第二个挑战是病理科医生资源严重短缺且分布不均。我国每10万个人口中的职业病理医师不到两个人，数量只有美国的1/3，日本的1/2，而且大部分超过60%的病理科医生集中在三甲医院，基层医院病理科的诊断能力是很薄弱的。而且病理科医生日常的工作负荷也非常重，长时间的阅片也会导致视觉疲劳，从而导致的诊断错误是经常出现或者说是不可避免的。
第三个需求是AI技术的局限性没有办法满足临床的真实需求。我们在开展的这项研究之前，国内外有不少团队研发了淋巴转移的AI检测模型，但都是针对单一癌种的，比如只针对乳腺癌、胃癌或者结直肠癌，它模型的鲁棒性，延展性就会大幅下降，临床的适用性比较有限。此外对于罕见的肿瘤，像泌尿系统的睾丸癌，病例数较少，所以数据也比较少，没有足够的样本去研发特定的罕见癌的AI模型，这部分患者的诊断就成为一个难题，也始终没有得到解决。
正是基于前面提到的三个层层递进的临床需求，让我们决定要研发一个能够覆盖多种肿瘤，准确性高，泛化性强，而且能够走进各个级别的医院，尤其是基层医院的AI辅助诊断模型，给病理科医生配备一个智能助手，给医生提供便利，给患者提供更加精准的诊断及后续对应的治疗。
韩尚容：请您用通俗易懂的语言解释一下您的模型在临床上的具体应用，在临床上是如何工作的，以及与其他目前的传统方法相比有哪些独特之处？
吴少旭：传统的病理诊断，就像病理科医生拿着放大镜在一片几十亩的一个麦田里面去找藏在麦子里面的杂草，而且这些杂草可能只有针尖大小，全靠医生的眼睛一寸一寸的去寻找，这种方法其实极度依赖人的经验跟专注力，而且工作量是非常巨大的。而且有些很小的杂草或者隐藏得很边界的杂草，就是微转移灶，是很容易被忽略的。我们开发的AI模型就是给医生培养的一个超级助手，它能在1~2分钟之内把整片麦田全部快速扫描一遍，精准的标出所有的杂草所在的位置，哪怕是边缘性的针尖大小的杂草也不会遗漏。最后给医生一张清晰的杂草分布图，医生们只需要去这些标记好的位置复核确认，就可以知道它到底有没有杂草或者有没有病灶。
我们训练的AI模型，用了全国17家医院，近1万名患者，近7万张高清的病理图像，以及15多万个淋巴结的超大规模数据集作为数据基础。我们请了有15~20年以上经验的资深病理专家给训练级的图像做像素级别标注，就像老师给学生画重点一样，把每一个癌细胞，每一个转移灶的位置，都精准的标识出来。让AI系统去学习正常的淋巴结是长什么样的，癌细胞癌灶是怎么样的，同时也用了增量学习的方法，先教AI系统去识别一种癌症的转移灶，然后慢慢加入更多的癌种。就像人先去学基础知识，然后再学复杂的内容，让AI在学习新癌种的同时，不会忘记之前学习的知识或者学会的知识，而且会越学越全面，越学越精准。
和传统的病理诊断相比，我认为它有几个非常独特的优势。
第一个优势，它是一个全科全能的助手。它不局限于一种癌症，而是能识别几十种不同的癌症的淋巴结转移病灶，包括24种罕见的癌症，解决了罕见癌症数据少的问题。AI模型研发难的挑战，让罕见癌的患者也能用上AI的辅助诊断，实现精准的诊断。
第二个优势，它具有超微观的辨别能力。对于传统人工诊断最容易遗漏的，也就是直径两毫米以下的微小转移病灶，它的检测灵敏度非常高，这正是弥补我们人眼局限，降低漏诊率的关键。
第三个优势，它不知疲倦，而且诊断水平非常稳定。它的表现是不受情绪疲劳或者经验差异影响，能够24小时不间断的稳定的运行，而且在不同中心的诊断准确性都非常的稳定，有助于缩小不同医院不同医生之间的诊断水平的差异，可以有效快速的去推动优质医院医疗资源的均质化跟一致性。
韩尚容：您觉得这项技术在在临床上有哪些未来的潜在的意义，它可以如何改变未来肿瘤的诊断和治疗，以及从医生和患者两个方面分别会带来哪些影响？
吴少旭：我认为这项技术的临床意义主要在于它能给肿瘤的淋巴转移诊断提供精准通用可落地的标准化解决方案，填补了患癌肿淋巴转移AI辅助诊断的空白，解决了微转移漏诊，罕见癌诊断难，医疗资源分布不均匀，吸纳长期困扰肿瘤病理领域的痛点问题。最终，有望去推动整个肿瘤诊疗体系向更精准、更高效、更公平的方向做长期的发展。对于病理科医生和临床医生来说，这项技术会带来工作模式的优化与工作效率的提升。首先病理科医生长期面临着工作负荷大，精神压力高的困境，一个病理科医生一天要处理几百张甚至大几百张的切片，长时间的镜下阅片很容易造成病理科医生的视觉疲劳，导致漏诊甚至误诊。
AI模型首先可以把所有可疑的病灶都精准的标出来，医生只需要重点复核这些标记的区域，不用再像大海捞针或者大麦田去找杂草。它不仅可以把淋巴结转移的漏诊率大幅度的下降下来，还可以把病理科医生从繁琐重复的筛查工作当中解放出来，让他们能把精力放在更复杂更疑难的病例上面，同时也能大幅度的降低工作上带来的职业疲劳跟精神压力。它能够助力实现更规范更精准的治疗。
以前我很容易担心我的患者会不会有微转移灶被漏诊，因为准确的淋巴结分期是决定手术范围，放疗靶区以及是否需要术后的辅助治疗的重要依据。但是因为微转移灶的漏诊，部分患者的肿瘤分期会被低估，导致治疗不足，而且有部分患者甚至会因为诊断错误，接受了不必要的过度治疗。我们的AI模型能够准确检测出淋巴转移，让患者的肿瘤淋巴分期更加精准。我们作为临床医生，就能给患者制定更加个体化的精准的治疗方案，真正实现精准治疗，不过度治疗，这是非常好的发展方向和提升。对于患者来说，这项技术带来的是生存获益的提升，因为诊断的准确性直接关系到治疗方案是否恰到好处，漏诊可能意味着患者错过了最关键的能降低疾病进展风险的术后辅助治疗的机会。此AI模型的应用为每一个患者的病理报告增加了一道高灵敏度的安全网，让病理诊断结果更值得信赖，从而为后续的个性化精准治疗铺平道路。
从长远来看，这有助于改善患者的长期生存预后，同时可以缩短病理报告出具时间，也减少了患者在焦虑当中的等待时间。AI广泛应用后，1~2分钟就可以出AI的报告，效率很快。从更广泛的医疗体系发展来看，一个经过严格的多中心验证的工具，是有望通过数字化平台，在基层或者资源相对有限的下级医院将病理切片数字化后，借助这个工具获得高质量的AI分析支持。这有助于提升全国范围内的肿瘤患者的分期的准确性及一致性，也是推动分级诊疗，实现高质量医疗水平均质化的重要技术路径。
韩尚容：您和您的团队在这个领域还有哪些未来的研究计划？
吴少旭：今年是中国的马年，所以我们未来的方向就是马不停蹄，再创新高。其实我们模型的成功研发也是工作的一个新的起点，我们将继续沿着深化、拓展、融合、落地这几个方向去展开。
具体来说，首先就是应用场景进一步的延伸，我们正在探索将该模型用于术中快速冰冻病理诊断，在手术过程当中实时去判断判断淋巴结是否有转移，能够直接指导手术切除的范围，这对于实现精准诊疗至关重要。
其次是功能的拓展，目前我们的系统主要是来解决有无转移的这种定性检测的问题，我们正在探索让它变得更加聪明。比如能不能进一步定量分析转移灶的负担，比如转移灶的大小数量，在淋巴结当中的分布比例，那么这些信息其实对于我们愈后的判断具有重要的价值。
此外我们也在研究如何整合多模态数据，比如说可以将病理的一个图像特征跟基因组学影像组学的信息相结合，构建一个能够更加全面的去预测患者治疗反应的综合模型。
最后我们也将进一步努力去推动临床的整合跟验证，我们将开展规模更大，随访时间更长的临床试验，收集辅助诊断能否最终转化为改善患者总生存时间，无病生存时间等重要指标的证据。同时，我们也将致力于将AI工具无缝嵌入到医院的病理科的工作流程当中，优化人机交互界面和系统，让AI系统真正能成为病理科医生日常工作流程当中可信赖的合作伙伴，实现从可用到好用必须用的跨越。
作为临床医生，我们团队的初心是始终不变的，我们还是要围绕患者的需求，真正解决临床痛点，真正能够造福肿瘤患者的研究。
中文翻译仅供参考，一切以英文原文为准。
https://doi.org/10.1016/j.landig.2025.100961
原标题：《播客 | 4%被病理医生遗漏的淋巴结转移，或可被人工智能模型PanCAM检出》