从数字病理到智能病理 AI技术提供大助力

恶性肿瘤是一个复杂且具异质性的生态系统，了解不同细胞类型与肿瘤进化和生态之间的相互作用是有效治疗癌症患者的关键。肿瘤的组织学表型是除外基因组、转录组和蛋白质组分析外又一癌症研究焦点，整合上述全部数据对癌症诊断至关重要。病理学AI是指在组织病理学中基于AI对图像进行分析并从组织学表型中提取信息，从而实现诊断。这一技术与计算机视觉和生物信息学创新结合息息相关，且高通量技术使在分子水平上全面研究不同肿瘤的特性成为可能，这些技术在明确肿瘤及其微环境上均发挥着重要作用。然而，使用基于计算机的图像分析方法来评估常规病理切片大多停留在研究水平，而非临床常规应用。

卷积神经网络(CNN)使特征提取和关联学习自动化，这种特殊类型的神经网络特别适用于计算机视觉和图像分类的机器学习算法。CNN被设计为使用多级图像结构，其中诸如轮廓的基本图像特征由相邻像素强度的变化来定义，而较大的图案实际上是较小图案的连续组合。这些模式可以在每个尺度上使用被称为卷积的数学运算来进行识别，产生涵盖图像信息的图像特征信息总和。AI不仅可以减轻病理学专家工作量，还可扩展从常规组织病理学切片中系统提取的信息类型，预测与图像相关联的特定状态。比如，直接从伊红染色的组织病理学切片中推断一些遗传改变AI，判断取样组织是来自肿瘤还是正常组织等。

肿瘤研究/诊断应用

1.常规组织病理学工作流程自动化

肿瘤样本的组织病理学评估包括福尔马林固定、切割、石蜡包埋、H&E染色，随后由病理学家使用显微镜识别视觉表征。首先，CNN可应用于劳动密集型任务以有效减轻病理学研究者工作量，如乳腺肿瘤、前列腺癌、食管癌检测，肺癌和肾癌分型，以及对未知原发癌症进行分类。此外，CNN在前列腺癌Gleason分级方面也取得了具体的进展。

2.深度学习扩展既定能力

AI技术增强图像识别更多是基于图像本身，而非病理学专家或临床医生。然而，AI通过其他方式记录的训练标签，可具有增强人类技能的额外潜力，如被用于直接从组织学切片预测患者的生存期、肿瘤的遗传特性、对特定药物治疗应答以及分子标志物，上述应用主要受到有标记图像数据集的可用性的限制。

3.预测基因改变及基因表达

预后生物标志物允许预测特定癌症的自然病程。组织病理学图像数据包含预后重要信息，如淋巴细胞计数、染色质模式或组织类型比例。此外，预测特定治疗应答更具临床价值，以辅助临床医生制定更佳治疗决策。此外，AI的病理图像已可预测免疫治疗应答的基因表达信号。目前，多种来源的数据整合被认为是使用AI改善治疗肿瘤患者结局的先决条件。

4.预测基因改变及基因表达

癌症的许多基因改变与特定的组织病理学表型相关。例如，长期以来已知MSI肿瘤与特定模式相关，如高密度的肿瘤浸润淋巴细胞或黏液分化。然而，在大多数肿瘤类型中，这种遗传-形态学关联并没有被系统使用，部分原因是病理学家需要定期培训识别具有已知突变状态的样本，以实现对此类突变的稳健检测。AI已被证明可以从组织学预测结直肠癌、胃癌和子宫内膜癌的MSI状态。此外，基于泛癌症AI的转移学习模型显示了许多基因组改变类型的组织病理学关联，包括全基因组重复、拷贝数改变和点突变。

5.预测肿瘤克隆性及空间异质性

从大量肿瘤组织获得的DNA测序等这些分子方法通常不是空间分辨的，AI学习空间模式及增加现有处理数据信息能力，尽管只在大量基因组、转录组或预后数据进行训练，也可能会对肿瘤克隆性和细胞异质性产生新见解。该方法广泛用于全切片图像上的肿瘤区域检测。AI模型也可用于在细胞水平上研究肿瘤异质性。

基于计算机视觉、分子病理学、基因组学和生物信息学的快速发展，病理学AI使研究人员和临床医生能够以前所未有规模来解析肿瘤组织病理学信息。AI算法为从大量分子和组织病理学数据中提取生物学和临床相关信息提供了框架。除了诊断和预测预后，AI还可提示不同的组织学模式，甚至可从标准组织病理学切片中预测潜在的遗传改变。此外，病理学AI还可预测肿瘤克隆性和空间异质性，这将为理解肿瘤生物学行为提供新的见解，或将为识别新的临床生物标志物提供基础。相信病理学AI将不断推进肿瘤诊治化！