10万元！中山大学孙逸仙纪念医院拟转让一项淋巴结状态检测技术

近日，中山大学孙逸仙纪念医院发布科技成果转化公示，学校通过知识产权挂牌交易方式，拟将“腋窝淋巴结的状态特征检测方法、装置、设备及存储介质”相关专利转让给产业方。

该专利所有权为中山大学孙逸仙纪念医院与受让方共同所有，中山大学孙逸仙纪念医院拟将该项发明专利所有权中山大学孙逸仙纪念医院所属权益进行转让，转让金额为10万元。该专利的发明人为张翔教授及其团队。

本发明涉及一种腋窝淋巴结的状态特征检测方法、装置、设备及存储介质，其核心在于借助非侵入性技术，在术前识别乳腺癌患者腋窝淋巴结的转移相关状态特征，从而解决现有有创检查所引发的并发症问题，同时提高检测的准确性。

这项技术可应用于乳腺癌患者术前的腋窝淋巴结状态评估，有助于医生判断是否需要开展 SLNB、ALND 等有创手术，减少不必要的创伤。同时，它还能为治疗方案的制定和预后判断提供精准依据，在临床乳腺肿瘤诊断领域具备重要的应用前景。

腋窝淋巴结状态作为乳腺癌患者制定治疗方案与判断预后的关键依据，伴随乳腺癌筛查的广泛普及以及诊疗需求的不断升级，临床对于腋窝淋巴结状态检测的无创化与精准化需求持续高涨。然而，当前的检测技术存在诸多关键弊端，严重影响了临床诊疗效率与患者的就医感受，难以满足市场对安全高效检测方案的迫切需求。

传统检测技术面临着核心医疗瓶颈：一方面，该技术依赖有创操作，致使患者负担极为沉重。目前临床主流的前哨淋巴结活检（SLNB）和腋窝淋巴结清扫术（ALND）均属于侵入性检查，术后极易引发上肢水肿、神经感觉障碍、运动受限等并发症，这严重影响了患者的生活质量。并且，部分低危患者还需承受不必要的手术创伤。

另一方面，检测的精准度和全面性存在不足。有创检查会受到取样范围、病理判断主观性等因素的影响，可能出现漏诊或过度诊断的情况。

此外，该检查无法在术前全面评估转移概率、转移数量等关键指标，难以给临床提供精准的决策依据。

从临床应用场景来分析，现有技术仍存在较为明显的实用性缺陷。部分无创辅助检测手段（如超声、常规MRI）仅能提供形态学方面的信息，难以捕捉淋巴结微环境的变化以及转移特征，检测的灵敏度和特异性相对较低。

少数基于影像的检测方案未能融合多维度的成像信息，对原发灶与腋窝区域的关联分析不够全面，致使对转移负荷、非前哨淋巴结转移状态的判断准确性受限。

同时，传统检测流程缺乏规范化标准。有创检查在手术时机、取样方式等方面存在临床差异，辅助检测的图像解读依赖医生的经验，这进一步增加了检测结果的不确定性。

不仅如此，现有技术无法在检测安全性与诊疗效率之间取得平衡。有创检查需要术后恢复周期，这延长了患者的治疗等待时间；而低效的无创检测方案则可能引发重复检查，增加了医疗成本与患者负担。

这些问题致使腋窝淋巴结状态检测陷入“有创有风险、无创不精准、决策缺依据”的困境。临床上迫切需要一套非侵入性、多维度融合且精准全面的检测解决方案，以破解从术前评估到治疗决策全流程中的痛点。

针对乳腺癌腋窝淋巴结检测存在的“有创风险高、精准性不足、决策依据单一”等行业痛点，联合研发团队成功推出了“腋窝淋巴结的状态特征检测方法、装置、设备及存储介质”技术。

这项技术以“非侵入性检测+深度学习多任务融合”为核心优势，构建了一套覆盖图像获取、区域提取、特征编码直至状态检测的全流程解决方案，彻底突破了传统有创检查的局限，为乳腺诊疗领域提供了一条更为安全、精准且高效的术前评估新途径。

该技术达成了腋窝淋巴结状态检测的“无创化转变”，从根本上规避了传统有创检查所带来的医疗风险。传统的前哨淋巴结活检（SLNB）、腋窝淋巴结清扫术（ALND）等方式，不可避免地会引发上肢水肿、神经感觉障碍、运动受限等术后并发症。而本技术仅需采集检测对象的乳腺核磁共振图像（MRI），借助非侵入性手段完成术前评估。检测过程无需进行手术、穿刺等操作，既让患者避免承受不必要的创伤与痛苦，又省去了术后恢复周期，缩短了治疗等待时间，显著提升了患者的就医体验。

同时，无创模式适用于各类乳腺癌患者，尤其为高龄、体质虚弱等无法耐受有创检查的人群提供了安全可行的检测方案，大幅拓宽了术前评估的适用范围。

技术借助图像处理、特征提取、模型优化的全链条创新，搭建了“多模态信息融合+精准区域聚焦+深度特征挖掘”的检测体系，显著提高了评估的准确性。

其一，开展多模态图像拼接与归一化处理，夯实精准检测的根基。该技术采集T1、T2、DWI、DCE、ADC等至少两种不同成像模式的乳腺核磁共振图像，在通道维度进行拼接，进而形成包含形态学、分子水平等多维度信息的目标检测图像。

在拼接之前，会先进行空间归一化对齐（确保不同图像的同一空间点对应同一像素）以及强度归一化处理（统一像素强度范围）。此举能够有效避免因图像信息偏差而导致的检测误差，使目标图像更精确地呈现乳腺与腋窝淋巴结的真实状态。

其二，进行精准的区域提取，减少无效信息的干扰。借助滑块滑动裁图的方式，将目标检测图像划分为多个子图像，再运用预设的感兴趣区域检测模型，精准识别并提取原发灶区域（包含多个肿块图像）以及腋窝区域（涵盖左、右腋窝图像）。聚焦于核心区域开展后续分析，排除无关图像信息的干扰，使特征提取更具针对性，从源头上提升检测的精准度。

其三，运用深度学习编码与多任务融合技术，全面挖掘特征信息。创新性地采用多编码器协同工作模式，借助共享权重的编码器并结合注意力模型，分别提取原发灶与腋窝区域的深度特征编码。同时，利用左右腋窝区域编码的距离差异，增强特征的区分度。

将通过第一、第二、第三、第四编码器提取的多重编码，分别输入三个多层感知机，联合检测前哨淋巴结转移概率、转移数量（1 - 2 个为低负荷，≥3 个为高负荷）以及非前哨淋巴结转移概率，从而实现“是否转移、转移负荷、扩散范围”这三大核心指标的同步评估。

端对端多任务训练模式可进一步优化模型参数，使特征挖掘更为全面，检测结果更加可靠，为临床决策提供多维精准依据。

该技术在临床实用性、标准化程度以及推广性方面呈现出显著的优势，能够完全适配医院规模化的诊疗场景。

在检测效率与流程方面，该技术借助子图像划分、共享权重编码器等设计，在确保检测准确性的同时，优化计算效率，无需复杂且耗时的操作流程，可与医院现有的乳腺核磁共振检测设备实现无缝衔接，不会额外增加诊疗环节和时间成本。

在标准化与稳定性方面，该技术明确了图像采集、预处理、编码模型、阈值判断等各个环节的核心参数（例如，滑块尺寸可设定为64*64*64，概率阈值默认设为50%等），从而避免了传统检测因依赖医生经验而导致的结果波动。经过多组图像数据验证，检测结果具有高度的一致性和稳定性，能够有效确保不同医疗机构、不同操作人员采用统一的检测标准。

在推广适用性方面，该技术提供了一套完整的解决方案，涵盖检测方法、专用装置、硬件设备以及存储介质，可直接集成到医院现有的诊疗系统中，无需进行大规模的设备改造。装置采用模块化设计（包含图像拼接、区域检测、状态特征检测三大模块），便于维护与升级。硬件设备可选用普通电脑、服务器等常见的智能终端，降低了医院引入该技术的门槛，有利于在各级医疗机构迅速推广应用。

此外，该技术在医疗成本控制与临床价值转化方面优势十分显著。通过无创模式，可减少有创手术、术后护理等相关医疗费用支出，同时避免因漏诊、过度诊断而产生的无效治疗成本，从而减轻患者和医保的负担。

该技术所提供的全面状态特征（转移概率、转移数量、非前哨淋巴结转移风险），能够助力医生精准制定治疗方案。例如，低负荷转移患者可免去创伤较大的 ALND，高负荷转移患者则可直接优化治疗路径，推动“精准医疗”落地实施，显著提升乳腺诊疗的整体质量和效率。

当前，在腋窝淋巴结状态无创检测领域，已经形成了 “医疗院校开展技术攻关 + AI 医疗企业推动商业化落地” 的竞争格局。同类技术主要聚焦于红外热成像、医学影像 AI 分析这两大路线。核心企业与研究团队都在积极推进技术验证和临床转化工作，不过，在检测维度、适用场景以及商业化进度方面存在着显著差异。

谷歌健康（Google Health）的Lyna淋巴结转移辅助诊断模型，依托卷积神经网络（CNN）进行开发，并集成于增强现实显微镜（ARM）系统。此系统借助摄像头采集淋巴结活检组织的图像，AI模型会自动识别组织里的癌细胞转移灶，且以增强现实的形式叠加标注，从而辅助病理医生开展诊断工作。

该技术的核心在于对病理切片进行精准识别，能够降低人工诊断出现漏诊的风险，尤其适用于活检样本的辅助分析。

GE医疗（GE Healthcare）的Edison平台搭配淋巴结AI检测算法，以Edison平台作为AI集成核心，将淋巴结检测算法嵌入其全系列影像设备（CT、MRI、超声等）。借助多模态影像特征提取与自动化器官分割技术，协助医生识别腋窝淋巴结转移迹象。该算法深度适配GE旗下Signa系列MRI、Revolution系列CT等设备。

2024年收购Mim Software后，进一步增强了多模态影像整合与肿瘤影像分析能力。此算法能够减少放射科医生30%-40%的阅片时间，在MRI设备上对淋巴结良恶性鉴别的特异度表现稳定，但对设备依赖性较强。在GE自有设备中的AUC值约为0.62，低于在第三方设备上的适配表现。