médical IA

OmniBreast：从一张乳腺X线片和一张HE切片预测九项乳腺癌指标，AUROC 提升 0.009，但经多重检验校正后不再显著

发布于 2026年8月25日 · 14 分钟 阅读

来自蚌埠医科大学第一附属医院、哈尔滨工业大学和马来亚大学的十位作者，在 923 例乳腺癌患者上训练了一套系统，仅凭一张乳腺X线摄影图像和一张苏木精-伊红（HE）染色切片，预测九项临床指标——TNM 三个分量、临床分期、组织学分级，以及 ER、PR、HER2 和 Ki-67 状态。其核心机制"任务条件化专家路由"相对固定融合将平均 AUROC 提高 0.009（95% CI 0.005–0.013；P = 0.011），但九项逐任务比较无一能通过 Benjamini-Hochberg 校正。摘要中最醒目的数字——M 分期 AUROC 0.990——实际建立在 185 例测试集中约七例转移患者之上，而且这些影像按其性质根本看不到远处转移。

研究背景

乳腺癌的诊疗依赖三条信息流，它们既不在同一时间到达，也不在同一份报告里。影像学——乳腺X线摄影、超声、磁共振——负责发现病灶并评估范围。活检的病理学检查确认类型和分级。免疫组化最后测定雌激素受体（ER）、孕激素受体（PR）、HER2 状态和 Ki-67 增殖指数，这四个标志物决定了全身治疗的主要方向。每条信息流各有各的报告，综合判断发生在多学科会诊上。

应用于这一流程的人工智能沿袭了同样的碎片化。有的模型在乳腺X线片上检测癌症，有的在切片上预测组织学分级，还有的推断 HER2 状态。每个模型都有自己的训练、自己的终点、自己必需的输入模态。在临床实践中，这种刚性带来一个平常但真实的问题：视患者所处的诊疗阶段，有时有影像而没有切片，有时有切片而影像不全。

因此这篇论文提出的问题不只是"如何融合放射与病理"，而是"融合在什么时候真正有用"。为回答它，作者从大语言模型的词汇里借来一个机制：专家混合（mixture of experts，MoE）。原理很简单——多个专门化模型并存，一个称为门控（gate）的小网络逐例决定给每个模型多大权重。这里每项任务有三个专家（仅放射、仅病理、两者融合），门控还额外接收两条信息：当前问的是哪个临床问题，以及这位患者实际有哪些模态可用。

研究方法

队列。回顾性单中心研究。2016 年 1 月至 2023 年 12 月在蚌埠医科大学第一附属医院（安徽，中国）就诊的 1 428 例患者中，174 例首先被排除（无配对影像-病理数据 n = 86，缺少标签 n = 48，重复记录 n = 19，图像质量差 n = 21），随后在数据整理中又排除 331 例（标注不完整 n = 103，不满足预处理要求 n = 74，未通过最终整理标准 n = 154）。最终剩下 923 例，占初筛的 64.6%，按患者层面划分为训练集 646 例、验证集 92 例、留出测试集 185 例。第二个独立队列来自湖南省肿瘤医院：筛查 394 例，纳入 259 例。

输入。影像侧仅使用治疗前的全视野数字乳腺X线摄影，包含头尾位和内外侧斜位，覆盖三家厂商设备（Hologic 46%、GE Healthcare 34%、Siemens Healthineers 20%），裁剪到乳腺区域，按第 1 与第 99 百分位归一化，缩放为 512 × 512 像素。没有任何分期检查——没有 CT、没有 PET、没有骨扫描——提供给模型，也没有任何文本报告。病理侧仅使用 HE 染色全切片图像，用 Leica Aperio AT2 在 ×40（约 0.25 µm/像素）下数字化，再按 ×20 等效分辨率分析；ER、PR、HER2 和 Ki-67 的免疫组化切片不作为模型输入。组织区域用 Otsu 阈值法分离，切成 224 × 224 像素的图块，组织占比低于 60% 的图块被剔除，每位患者取 128 块，通过门控注意力多实例池化聚合为单一表征——这是一种学习得到的加权方式，决定哪些图块在整体判断中起作用。

任务与模型。九个二分类问题：T（Tis/T1 对 T2–T4）、N（N0 对 N+）、M（M0 对 M1）、临床分期（0–II 对 III–IV）、组织学分级（低对高），以及 ER、PR、HER2、Ki-67（阴性对阳性/高表达）。对每项任务、每种模态都训练五种卷积架构——ResNet、DenseNet、EfficientNet、RegNet、MobileNetV3——按验证集 AUROC 保留最优者。这意味着九十个模型是在 92 例患者上分出胜负的。使用三个随机种子（42、3407、2024），保留验证 AUROC 最高的检查点。固定融合是一个后期融合 Transformer，接收两个模态的嵌入向量。学习式 MoE 增加一个多层感知机来加权三个专家；任务条件化 MoE 在此基础上再加入表示所请求任务的向量和模态可用性二值掩码，训练时施加 0.30 的模态 dropout。工作阈值仅在验证集上按 Youden 指数确定，随后冻结。AUROC 比较采用配对 bootstrap，并对九个逐任务 P 值施加 Benjamini-Hochberg 校正。

研究结果

模态地图。这是论文中最有意思的结果，而它是描述性的。病理在淋巴结受累（AUROC 0.804，乳腺X线为 0.606）和 Ki-67（0.748 对 0.625）上明显占优。放射在 HER2（0.810 对 0.795）和临床分期（0.735 对 0.626）上更好。两者在组织学分级上相当（0.949 与 0.946）。换句话说，最有信息量的模态取决于问的是什么问题，而不存在一个通用的优劣次序；那些表面上的悖论——从原发肿瘤切片预测淋巴结状态、从乳腺X线片预测 HER2——靠的是间接的形态学相关，而不是直接看见。

整合带来的增益。九项任务的平均 AUROC：最佳单模态专家 0.813，固定融合 0.826，学习式 MoE 0.830，任务条件化 MoE 0.834。一个使用了测试标签、因而无法部署的"预言机"选择器上限为 0.854。任务条件化 MoE 相对固定融合的增益为 0.009（95% CI 0.005–0.013；P = 0.011）；固定融合相对最佳单模态专家的增益为 0.012（0.006–0.018；P = 0.008）。消融实验说明两个成分各有一点贡献：去掉任务向量，均值从 0.834 降到 0.828；去掉可用性掩码，降到 0.826。

缺失模态的压力测试。这是该架构最能自证其存在价值的地方。在测试集中随机遮蔽 30%、50%、70% 患者的一种模态时，任务条件化 MoE 的平均 AUROC 分别为 0.804、0.793、0.779，比采用零填充的固定融合高出 0.032、0.051、0.067。与基于可用性的简单规则路由相比差距则要小得多：0.015、0.018、0.024。

临床对照。作者用五个常规变量（年龄、绝经状态、乳腺密度、投照位完整性、组织学类型）建立参照模型，并系统排除了定义目标本身的变量。逻辑回归平均 AUROC 为 0.698，XGBoost 为 0.724。任务条件化 MoE 高出 0.110（95% CI 0.091–0.129；P < 0.001），且在九项任务上全部更优。在外部队列上有两项终点扩展任务：基于乳腺X线的病理完全缓解（pCR）预测达到 0.758（临床基线 0.682），基于 HE 切片的三阴性乳腺癌预测达到 0.872（临床基线 0.746）。

临床换算。以 HER2 为例最说明问题，因为它决定了能否使用抗 HER2 治疗。最优放射模型的敏感度为 76.7%，特异度为 76.0%。若按常见的 20% HER2 阳性率外推到 1 000 名患者，大致会得到 153 例 HER2 阳性被正确识别、47 例被漏掉、192 例 HER2 阴性被误报。这个计算是从 185 例测试集外推出来的，不是实测；但已足以说明这些数字都不能取代免疫组化，作者也没有这样声称。

做得好的地方

行文的克制，从标题就开始。标题写的是"internal validation"（内部验证），而不是"validation"。外部分析被明确称作终点扩展测试，而非九项任务的外部验证。结论里白纸黑字写着："M 分期的内部高性能被视为探索性结果，需要独立验证，因为远处转移性疾病并未直接体现在乳腺X线或 HE 输入中。"更重要的是，作者对九项逐任务比较施加了 Benjamini-Hochberg 校正，如实报告校正后无一保持显著（调整后 P 值均 ≥ 0.072），并自行得出这些分析属于探索性的结论。在一个终点多重性导致的 p 值操纵已成常态的文献环境中，这份自律值得点名。

把"预言机"作为上界。加入一个作弊的选择器——它偷看测试标签、逐例挑选最好的专家——并不会提升任何性能，却给读者提供了极有价值的信息：它表明即便是完美的路由策略，平均 AUROC 也不会超过 0.854，而实际达到的是 0.834。也就是说，这一类方法在这批数据上剩余的全部空间只有 0.020 的 AUROC。这是一种诚实且成本极低的方式，告诉读者天花板在哪里，而且很少见。

临床对照存在，且构造规范。许多影像学论文止步于"我们的模型达到 0.83"。这里明确追问：五个常规变量经逻辑回归和 XGBoost 处理后能否做到同样水平——答案是不能，差距 0.110，置信区间狭窄。作者仔细排除了定义性变量（TNM 分量不用于预测临床分期，免疫组化结果不用于预测其自身），避免了会让比较失去意义的目标泄漏。他们还说明正是出于同一原因放弃了基于文本报告的模型：常规报告中包含了用于确立若干参考标签的信息。

做得不够好的地方

七例转移患者撑起了论文中最醒目的数字。摘要开篇即称"M 分期观察到 0.990 的 AUROC"。然而该任务报告的各项指标——185 例中准确率 0.962、F1 0.667、敏感度 1.000、特异度 0.961——在算术上只与约七例 M1 患者和七例假阳性相容。建立在七个阳性事件上的 AUROC 不是一次测量，而是一个用中心点概括的极宽区间。更根本的问题在于：远处转移不在图像里。一个从乳腺X线片上把这项任务做到 0.99 的模型，必然学到了某种捷径（shortcut learning）——某个肿瘤大小、某种密度、某种在该中心与 M1 状态相关的诊疗模式。作者确实承认了这一点，但写在第十五页的结论里；摘要一字未改，而摘要恰恰是回答引擎和匆忙的读者会看到的部分。这是稀有类别上的误导性指标的教科书式案例。

论文的核心机制没有在真正要紧的层面上得到证明。任务条件化 MoE 相对固定融合的平均 AUROC 增益为 0.009。这个 0.009 是九项彼此相关的任务的聚合值，且是在同样的 185 例患者上用配对 bootstrap 估计出来的。逐任务来看，没有任何一项差异能抵住多重检验校正。决策曲线分析——唯一以净获益而非区分度说话的分析——显示曲线大幅重叠，增益被描述为"微小且依赖具体任务"。所以留下的是一个有意思的方法学贡献，以及一个若认真对待作者自己的统计工具就会发现、在每个具体临床问题的尺度上与零无法区分的经验结果。

九十个模型在 92 例患者上分胜负，无任何可复现材料，也没有人类阅片者。五种架构 × 两种模态 × 九项任务，每种配置再加三个随机种子，选择在 92 例验证集上完成、评估在 185 例上完成：相对于样本量而言，选择预算相当大。数据可获取性声明指向通讯作者——没有代码、没有权重、没有数据，也没有 GitHub 或 Hugging Face 仓库。效率指标（延迟、吞吐、显存）被明确标注为"模拟"值，而非在硬件上实测。最关键的是，完全没有与放射科医生或病理科医生的比较：作者说明这一回顾性队列中无法获得标准化的独立盲法阅片，因而无法开展阅片者研究。唯一隐含的人类对照是一个五变量临床模型。最后，队列为单中心、中国人群、三家厂商设备：扫描仪、染色流程和人群之间的分布偏移，对九项主要任务而言完全未经检验。

这带来了什么改变

对研究界。两点启示，其中一点并非标题所强调的。第一是预言机差距：在这批数据上，逐例完美路由值 0.854，学习式路由值 0.834。在这种规模的队列上继续投入路由架构，等于在争夺两个百分点的 AUROC；真正的空间在别处——在数据的体量与多样性。第二是逐任务的模态互补地图——病理对应淋巴结状态和增殖，放射对应 HER2 和分期——它独立于架构而可复用，值得在多中心队列上复现。反过来，这篇论文的报告规范可以照搬：多重检验校正事先声明并在其摧毁结论时仍予以执行，预言机上界公开，外部分析如实命名。

对临床医生。今天什么都不改变，作者自己也这么写。OmniBreast 尚未封装为可用系统，没有多中心验证，没有前瞻性评估，也从未与人类阅片者比较过。最值得记住的数字大概是外部队列的那个：仅凭一张 HE 切片、不做免疫组化，识别三阴性乳腺癌的 AUROC 为 0.872。这远不及免疫组化组合的水平，但足以设想在免疫组化耗时或不可及的场景下作为分诊用途——作者也正是这样定位它的：辅助模型，而非替代品。九项任务的其余部分，目前仍属可行性演示。

对患者与公众。一个观念，一个阅读习惯。观念是：一张乳腺X线片和一张组织切片，在统计意义上确实包含了一部分我们通常要靠专门检查去获取的信息——但只是一部分，而且永远达不到专门检查的可靠度。从图像预测 HER2 大约每四位患者就会错一位；这些模型没有一个能免去活检。阅读习惯的价值超出这篇论文本身：当一项被宣传的性能指标涉及罕见事件时，第一个该问的不是"AUROC 有多高"，而是"到底有多少例"。这里的答案是七，而它彻底改变了应当如何看待摘要中的 0.990。

延伸阅读