水平直逼高级病理学家！清华团队提出AI基础模型ROAM，实现胶质瘤精准诊断
内容提要
ROAM是一种基于大区域兴趣和金字塔Transformer的AI模型，用于胶质瘤的诊断和分子标志物发现。研究结果表明ROAM在胶质瘤诊断任务上表现优于其他方法，并能提高病理学家的诊断准确性。
延伸解读
从局部ROI到全切片分析：ROAM的技术突破
传统数字病理方法通常只分析病理学家选定的感兴趣区域（ROI），无法实现全切片的自动化分析。ROAM以2048×2048的大尺寸组织图像块为基本单元，结合金字塔Transformer学习尺度内和尺度间相关性，有效提取全切片的多尺度视觉表征。这种弱监督方法减少了对精细标注的依赖，为临床级诊断提供了新思路。
临床辅助价值：提升病理学家诊断准确性
研究邀请5名不同经验水平的病理学家参与评估，ROAM在5个诊断任务中表现优于其中4名，并与最佳高级病理学家相当。在ROAM辅助下，初级和中级病理学家的诊断准确性平均提升7.27%至12.87%。这表明AI辅助系统能有效缩小经验差距，尤其对资源有限或病理学家短缺的医疗机构具有实用意义。
分子标志物发现：IDH突变预测的新线索
ROAM在预测IDH突变任务中表现优异，通过可视化高注意力区域，研究者发现IDH突变胶质瘤普遍存在嗜酸性细胞增多、细胞质均匀和细胞核深染等形态特征。这一发现提示，在缺乏分子检测条件时，医生可借助AI识别的形态学线索进行初步IDH状态预测，为胶质瘤诊断标准的优化提供了新方向。
泛化能力与局限：外部验证与未来方向
ROAM在内部数据集和外部TCGA数据集上均优于CLAM、TransMIL等基线方法，显示出良好的泛化能力。但研究也指出，外部数据集诊断标准不同，需经病理学家审核修订。此外，ROAM目前主要针对胶质瘤，虽可拓展至其他肿瘤，但需进一步验证。其临床落地还需考虑数据标准化和实际工作流程整合。
Q&A
ROAM模型的主要功能是什么？
ROAM模型用于胶质瘤的精准诊断和分子标志物发现，能够实现肿瘤检测、亚型分类和分子特征预测。
ROAM模型如何提高病理学家的诊断准确性？
ROAM通过提供辅助诊断，显著提高了初级和中级病理学家的诊断准确性，平均提升幅度在7%到12%之间。
胶质瘤的分类和分级有多重要？
胶质瘤的准确分类和分级对预后评估和治疗方案至关重要，因为不同亚型和级别的胶质瘤有不同的治疗需求。
ROAM模型的技术基础是什么？
ROAM基于大区域兴趣和金字塔Transformer架构，采用多示例学习和多尺度特征提取技术。
ROAM在外部数据集上的表现如何？
ROAM在外部TCGA数据集上表现出色，显示出良好的分类性能和泛化能力，优于其他基线方法。
ROAM如何促进胶质瘤分子标志物的发现？
ROAM通过分析病理图像的形态特征，帮助医生在没有分子检测的情况下预测IDH状态，从而发现新的分子标志物。
