50万！中山大学孙逸仙医院拟转让一项膀胱癌图像识别专利

日前，中山大学孙逸仙医院发布专利转让公示，拟将其与赛维森（广州）医疗科技服务有限公司共同持有的“膀胱癌淋巴结转移的病理图像识别方法、装置、介质”专利中所属50%权益通过挂牌交易的方式进行转让，交易金额为50万元。该专利通过非均匀重采样技术与目标分割网络结合，可自动识别膀胱癌淋巴结转移病理图像中的疑似癌细胞区域，有效解决传统人工诊断耗时耗力、微转移漏诊率高的痛点，大幅提升病理图像识别效率与准确率，为膀胱癌患者的肿瘤分期诊断、治疗指导及预后评估提供关键技术支撑。

膀胱癌是临床泌尿系统最常见的恶性肿瘤之一，肿瘤淋巴结转移分期是判定病情进展、制定治疗方案的核心依据。当癌细胞通过淋巴循环扩散至淋巴结组织，会形成大小不一的转移灶，其中“微转移”特指少量癌细胞散落分布于淋巴结内的情况，这类病灶的检出与否，直接关系到患者后续治疗方案的选择以及预后效果的评估。

长期以来，膀胱癌淋巴结转移的诊断高度依赖病理医生的人工操作。医生需在显微镜下逐片、逐区域检查淋巴结病理切片，不仅要耗费数小时甚至数天的时间，还面临极高的漏诊风险。尤其是针对微转移病灶，由于癌细胞数量少、分布分散且体积微小，人类视觉系统对这类微小目标的辨识度极低，极易因视觉疲劳或疏忽导致漏诊，进而延误患者的最佳治疗时机，甚至影响后续治疗方案的精准性。

目前，部分辅助诊断的图像识别技术虽已应用于临床，但仍存在明显局限性。常规的重采样方法多采用设定固定阈值裁剪可疑区域并放大的模式，在处理过程中易丢失可疑区域周围的正常细胞与组织信息，无法结合上下文对病灶性质进行综合判断。同时，这类技术难以同时放大多个散落的疑似癌细胞区域，往往需要输出多个孤立的疑似区域，不仅增加了医生的判读工作量，还降低了诊断效率与准确性。此外，传统AI分割模型的训练数据缺乏针对性增强，面对复杂的病理图像时泛化能力不足，难以满足临床对精准诊断的迫切需求。

该发明专利的核心创新在于突破传统图像识别技术局限，以“非均匀重采样技术”为核心，结合AI分割网络与多维度数据融合策略，构建了高效精准的病理图像识别体系。与常规重采样方法仅裁剪放大可疑区域不同，该专利的非均匀重采样技术通过坐标转换函数与权重计算机制，在自动放大疑似病灶区域的同时，完整保留了可疑区域周围的正常细胞与组织信息，为医生结合上下文判断病灶性质提供了关键支撑，从技术层面降低了微转移漏诊风险。

该专利的另一大创新是实现了“多散落疑似区域的同步优化”。针对癌细胞在淋巴结组织中可能呈分散分布的特点，该技术无需单独输出多个孤立的疑似区域，而是通过非均匀重采样将所有疑似病灶同步放大并整合至同一图像块中，既减少了医生的判读工作量，又避免了孤立区域分析导致的误判，大幅提升了诊断效率。此外，重采样图像块与输入目标分割网络的图像块保持一致分辨率，有效减少了计算资源消耗，兼顾了处理速度与识别精度。

在模型训练层面，专利创新采用“双数据集融合训练策略”。通过对训练图像集和分割标注图进行非均匀重采样处理，从而生成重采样图像集与重采样分割标注图，结合原始数据进行端到端分割训练，并引入二元交叉熵损失函数，同时优化原始数据与重采样数据的分割损失，显著提升了目标分割网络（HRNet_w18）的泛化能力和对微小病灶的识别灵敏度。最终输出的分割置信度热力图，能直观呈现像素级的癌细胞概率分布，为医生提供精准的诊断参考，实现了“自动化筛选+精准化定位+高效化判读”的三重突破。

膀胱癌作为全球男性第四大恶性肿瘤，其早期诊断、转移检测、复发监测及病理分级直接关系到患者的治疗方案与预后评估。传统诊疗依赖病理医生人工阅片或有创检查，存在耗时耗力、漏诊风险高、患者依从性低等痛点。近年来，人工智能技术成为破解这一难题的关键力量，多款聚焦膀胱癌诊疗的AI专利技术涌现，涵盖淋巴结转移识别、复发监测、病理分级等核心场景。

东北林业大学研发的基于双控路由混合专家模型的纵隔区域淋巴结转移识别技术，将核心任务拆分为纵隔区域检测和淋巴结转移预测两个辅助子任务，构建多任务学习系统。该技术通过双控路由门控机制，由特征路由分支提取图像相似特征（颜色、亮度、频域），任务路由分支提取各任务独特特征，再经加权融合实现特征全面描述；同时设计双维梯度平衡算法，从梯度方向对齐和幅值动态平衡两个维度解决梯度冲突与任务主导问题。虽主要应用于肺癌纵隔区域转移识别，但其多任务协作与特征精细化提取思路为膀胱癌淋巴结转移识别提供了重要参考，构建了跨癌种淋巴结转移AI诊断的技术范式。

广州智绘矩阵生命科技有限公司推出的多模态膀胱癌识别系统，整合T2加权图像、弥散加权成像（DWI）、表观弥散系数（ADC）三种核磁模态数据，通过投影模块将各类图像映射至高维特征空间生成嵌入向量，经ViT模型提取全局特征后，由融合模块调整维度并拼接生成融合特征向量，最后通过分类模块实现单模态与多模态融合特征的双重分类，输出膀胱癌复发与否的识别结果。该系统充分利用不同模态的互补信息，T2加权图像提供结构信息、DWI反映细胞密度、ADC量化扩散程度，有效区分肿瘤扩展与良性病变，以无创方式替代部分有创膀胱镜检查，降低患者负担并提升随访依从性，第四分类单元的融合特征分类准确率达79%，增强了识别的鲁棒性与可靠性。

昆明理工大学与玉溪师范学院联合研发的基于ResNet模型的多序列膀胱癌核磁图像分级方法，针对T2WI和DCE两个序列的核磁数据，根据医生勾画的ROI图层选取含肿瘤图像，经中心裁剪保留病灶区域并通过随机旋转、翻转等方式数据增广；在ResNet50模型基础上引入迁移学习，添加MF多尺度特征提取模块，并在多序列特征融合后加入scSE注意力机制，通过通道与空间注意力强化关键特征学习。该技术解决了膀胱癌分级依赖术后病理活检的局限，术前即可实现高级别（HGUC）与低级别（LGUC）尿路上皮癌的精准分级，为手术策略制定与预后预测提供关键参考。

未来，膀胱癌AI诊疗技术将朝着“全流程覆盖”“多模态深度融合”“低数据依赖”方向演进，通过跨场景技术协同，进一步降低漏诊误诊率、提升诊疗效率，为患者提供从筛查、诊断、治疗到随访的全周期智能辅助支持，推动膀胱癌诊疗进入精准化、高效化、微创化新时代。