由缅因大学两名博士生领导的研究团队开发出一种名为“上下文引导分割网络”（CGS-Net）的人工智能系统，可显著提升乳腺癌组织样本分析的准确性，有望加快诊断速度、挽救生命。该系统模仿病理学家观察组织切片的思维方式，通过结合局部细节与整体背景信息，实现更精准的癌症识别。 乳腺癌是女性第二大癌症死因，每八名女性中就有一人一生会患病。目前诊断仍依赖病理学家对染色组织切片进行显微镜检查，这一过程耗时且高度依赖专业经验。全球约三分之二的病理医生集中在10个国家，许多地区因诊断资源匮乏导致延误，加剧了可预防的死亡风险，例如在印度，约70%的癌症死亡与可治疗因素及诊断滞后有关。 CGS-Net采用双编码器架构，模拟病理医生“放大观察局部细节”与“整体审视组织结构”的双重视角。一个分支处理高分辨率图像块，捕捉细胞级细节；另一个分支分析低分辨率的全局图像块，获取周围组织的宏观结构背景。两个图像共享中心像素，确保空间对齐。两者信息融合后，通过编码器-解码器结构进行综合分析，显著提升分割精度。 研究团队在383张数字化淋巴结组织切片上训练CGS-Net，任务是判断是否存在乳腺癌并区分健康与癌变组织。结果表明，CGS-Net在准确性和稳定性上均优于传统单输入AI模型。 该研究由电气与计算机工程博士生Jeremy Juybari和生物医学工程博士生Josh Hamilton主导，与导师Andre Khalil、Yifeng Zhu和Chaofan Chen共同完成，相关论文发表于《科学报告》。研究数据集和源代码已公开，推动科学界协作。 未来，团队计划将CGS-Net拓展至多类别组织分割，应用于其他癌症类型，并探索融合影像学、分子数据等多模态信息。该系统不仅提升诊断效率，更强调“辅助而非替代”人类专家，助力实现全球范围内更公平、更早期的癌症检测。