用边缘断层扫描技术实现全自动病理细胞分析

细胞病理学（常简称细胞学）凭借快速、简便和微创的特点，在宫颈癌、肺癌、膀胱癌等癌症的早期检测中发挥核心作用。在常规实践中，细胞病理学家需在光学显微镜下检查每张含约1万至100万个细胞的玻片，依据细胞核和细胞质的三维形态及细胞间空间关系进行诊断，其中宫颈筛查主要采用液基巴氏试验，通过提升样本质量和检测通量降低了宫颈癌的发病率和死亡率。
然而，细胞学诊断的准确性因主观视觉判读存在差异，观察者间和观察者内的变异性源于培训、经验差异及认知偏差（如确认偏差、锚定效应），加上指南遵循不完整、质控不足、疲劳、时间压力和病例量大等因素，可能导致漏诊或延误诊断，爱尔兰CervicalCheck癌症丑闻就是主观细胞学检查潜在临床后果的例证。此外，异常细胞比例低、制备伪影和细胞结构重叠也增加了人工检查难度。
人工智能（AI）虽被广泛探索用于辅助细胞学判读，但多数方法基于二维图像且针对“代表性”细胞子集，难以扩展到常规实践中数十万分散细胞的全玻片分析。三维成像虽能捕捉更丰富的结构信息，但大幅增加了图像采集、处理、存储和传输需求，限制了AI模型的可扩展性，现有工具仍依赖人工监督。
为克服这些限制，本研究提出一种实时、临床验证的自主细胞学平台，整合高速高分辨率全玻片光学断层扫描与边缘计算（在数据源头附近处理数据的分布式计算架构）。该系统在图像采集时进行本地压缩，生成千兆体素级三维全玻片图像，在不影响图像质量和AI性能的前提下加速模型开发部署，解决了厚层细胞学样本（含异常细胞簇）数字化的长期挑战，且仅需每类约1000张原始三维图像即可有效训练AI。
平台的关键创新是形态分化簇（CMD），类似免疫表型分析中的分化簇标记，基于形态而非荧光标记实现类流式细胞术框架，支持群体水平的可视化和分析。与早期AI细胞学工具不同，CMD分析让细胞病理学家通过散点图、分层门控和降维等工具探索细胞群体，提升可解释性、错误检测能力和新表型发现。
全玻片边缘断层扫描系统包括光源、XY平移台、Z平移台、CMOS图像传感器和边缘计算机，能获取多层深度的二维图像并构建、压缩、存档三维图像。CMOS传感器以每秒50帧速度捕获高分辨率图像，经FPGA初步处理后传至GPU进行背景校正、聚焦调整、三维图像构建和压缩（采用HEVC格式，利用层内和层间冗余），压缩图像传输至后端服务器拼接成全玻片三维图像，供细胞病理学家实时查看，同时进行AI群体分析（用YOLOX检测细胞核，MaxViT分类细胞）。
系统性能测试显示，其成像质量高且数据压缩高效，中高压缩下（PSNR≥40dB）可清晰分辨核仁、核膜等亚细胞结构，全玻片成像时间随Z层数（10、20、40层）分别约为3、4.5、8分钟，查看时解压响应时间多在100毫秒内。成像分辨率达横向220nm、轴向1μm，能三维可视化多种细胞学样本的细胞结构和异常形态。
AI细胞检测采用YOLOX模型，在348张图像的24万余个标注细胞核上训练验证，分类用MaxViT视觉 transformer，在16万余增强图像上训练，对低级别鳞状上皮内病变（LSIL）、高级别鳞状上皮内病变（HSIL）和腺癌的单细胞ROC曲线下面积（AUC）均超0.99，特异性超98%。
CMD细胞群体分析将每个细胞表示为多维概率向量，通过散点图、直方图和UMAP等可视化细胞群体分布，能识别上皮分化和肿瘤转化的形态轨迹。临床级性能评估中，对318例宫颈液基细胞学样本分析显示，细胞组成随年龄变化（50岁后化生细胞和副基底层细胞比例增加），NILM样本中HPV阳性者的LSIL和HSIL细胞计数显著高于HPV阴性者，AI细胞计数用于检测LSIL+和HSIL+的AUC分别为0.84和0.89。
多中心评估（4个中心1124例样本）中，修订的11类模型（新增舟状细胞类以减少假阳性）在各中心检测LSIL+和HSIL+的AUC为0.86-0.91和0.89-0.97，HPV阳性样本的LSIL和HSIL细胞计数高于阴性样本，AI性能优于ASC-US+分诊，在某中心与LSIL+分诊相当。
该系统通过实时三维成像、边缘计算和群体形态分析，解决了细胞学诊断的主观性、不一致性和可扩展性问题，有望缓解细胞病理学家短缺，扩展至偏远地区，推动定量、可重复的诊断范式发展，并为分子分析等下游应用奠定基础。