CGM第561期：单细胞测序辅助体液肿瘤细胞标注用于早期肺癌的深度学习诊断模型的开发

肺癌的早期诊断对于改善患者预后至关重要，支气管肺泡灌洗（BAL）作为一种微创检查手段，常用于肺癌诊断，但因灌洗液中脱落肿瘤细胞（ETCs）极为稀少且形态与正常细胞相似，导致传统细胞学诊断的敏感性极低。虽然深度学习在医学图像分析中潜力巨大，但其性能受限于缺乏高质量、经专家准确标注的稀有细胞数据集。为解决这一难题，研究团队开发了一种名为LESSEL的深度学习流程，通过整合单细胞测序技术与计算机视觉算法，旨在突破细胞病理学在稀有肿瘤细胞识别上的瓶颈，从而实现对早期及局部晚期肺癌的高效检测。

图1 LESSEL的深度学习模型开发流程

该研究的核心创新在于利用低成本的单细胞DNA测序（scDNA-Seq）技术作为客观的肿瘤细胞鉴定分子标准，不依赖临床病理专家对肺泡灌洗液中肿瘤细胞进行高质量标注。研究团队对随机选取的细胞进行测序，利用染色体拷贝数变异（CNAs）精准区分良恶性，构建了包含580个肿瘤细胞和1106个良性细胞的无偏倚、高精度数据集。基于此数据集训练的LESSEL模型在单细胞水平上实现了很好的分类准确性（AUC高达0.997）。在包含多个临床验证队列验证中，该模型在保持高特异性（>92%）的同时，将肺癌诊断的敏感性从传统细胞学的约15-20%显著提升至45-60%，尤其显著提高了对早期肺癌（Tis-II期）及细胞学阴性样本的检出率。

综上所述，本研究建立了一种基于单细胞测序辅助客观标注、细胞病理学深度学习诊断模型开发研究新模式，成功解决了稀有肿瘤细胞难以识别和数据集标注困难的临床痛点。LESSEL流程不仅能与现有的临床病理工作流无缝衔接，提供快速、低成本且不依赖资深医生主观经验的辅助诊断，还能大幅减少患者接受不必要侵入性活检的风险。这一策略具有极强的通用性和扩展性，未来有望推广至尿液、胸腹水等其他体液样本的分析中，为液体活检技术的发展和癌症无创筛查提供了重要的理论依据与技术路径。