编辑推荐：
本研究致力于解决乳腺癌早期检测中，正常乳腺组织（NBT）定量分析方法匮乏的瓶颈。研究人员通过病理医生标注的多队列全切片图像（WSIs），开发了基于卷积神经网络（CNN）的稳健区域分类模型（NBT-Classifiers），实现了对上皮、间质和脂肪细胞的高精度（AUC 0.98-1.00）识别与区分，并揭示了其独立于癌前/癌变组织的特征。该模型可作为端到端分析管道的有效预处理工具，为理解正常组织形态、识别癌前病变提供了宝贵的计算病理学参考框架。
在当今的癌症研究中，早期检测被公认为改善患者预后的关键。然而，一个略显尴尬的现实是，尽管我们对肿瘤本身投入了大量研究精力，但对于作为对照基准的“正常”组织，却缺乏系统、定量的分析工具。尤其是在乳腺癌领域，病理诊断的金标准——苏木精和伊红（H&E）染色的全切片图像（Whole Slide Images， WSIs）已全面数字化，为人工智能（AI）驱动的研究铺平了道路。但现有研究多聚焦于识别癌细胞或病变区域，对于构成乳腺主体的正常乳腺组织（Normal Breast Tissue， NBT）的精细结构和成分，我们的计算分析能力仍然有限。这就像在绘制一张疾病地图时，只标记了“危险区域”，却没有清晰界定“安全区”的边界，无疑限制了我们对“异常”起源的深刻理解。
为了填补这一空白，一项发表于《npj Breast Cancer》的研究应运而生。研究人员意识到，定量解析NBT的显微结构（区室），不仅是计算病理学的基础，更是识别那些微妙但至关重要的癌前变化的先决条件。试想，如果无法精确区分正常的上皮、支撑性的间质和能量储存的脂肪细胞，又如何能敏锐地捕捉到上皮细胞在癌变前夜的细微异常呢？因此，这项研究的核心目标，就是为科学界提供一套针对NBT的、稳健且可解释的人工智能“显微镜”——NBT-Classifiers。
研究人员开展此项研究，主要运用了以下几项关键技术：首先，他们从多个来源和队列中精心筛选并注释了70张NBT的WSIs，由病理学家手动标注出上皮（epithelium）、间质（stroma）和脂肪细胞（adipocytes）区域，构建了高质量的数据集（已在GitHub平台开源）。其次，他们基于卷积神经网络（CNN）开发了针对不同尺度图像块（patch）的分类模型，即NBT-Classifiers。最后，他们利用两种可解释人工智能（explainable AI， XAI）技术来可视化模型所学到的特征，以验证其生物学的合理性。
研究结果部分通过系统的实验，验证了NBT-Classifiers的有效性与独特性。
模型开发与性能评估
研究团队构建的NBT-Classifiers模型，能够在128 × 128 μm和256 × 256 μm两种尺度的图像块上，对NBT的三种主要区室进行高精度分类。在三个独立的外部验证队列中，模型的受试者工作特征曲线下面积（AUC）达到了0.98至1.00的卓越水平，证明了其强大的泛化能力和稳健性。
学习特征的独立性与可解释性
一个关键发现是，NBT-Classifiers所学到的、用于区分正常上皮的特征，与区分癌前病变（precancerous）或癌性（cancerous）上皮的特征是相互独立的。这意味着模型并非简单地学习“非癌”特征，而是真正捕捉到了正常组织的特异性形态模式。研究人员进一步通过两种XAI技术对模型决策过程进行可视化，直观展示了模型在做出分类判断时所关注的图像区域，增强了模型的可信度与生物学可解释性。
在端到端分析流程中的应用
为了体现其实用价值，研究将NBT-Classifiers整合到一个端到端的预处理分析流程中。结果显示，该模型能够高效、准确地分割整个WSI，特别是有助于聚焦和分析小叶周围（peri-lobular）区域的组织成分。这为下游更精细的分析（如特定区域的基因表达或细胞相互作用研究）提供了极大的便利。
归纳该研究的结论与讨论，其重要意义在于多个层面。首先，NBT-Classifiers提供了一套全新的、稳健的区室特异性分析工具。它首次利用AI大规模、定量地描绘了正常乳腺组织的显微解剖学图谱，将以往主观、定性的组织学观察转化为客观、可重复的数据。其次，这项研究深化了我们对NBT在WSI中表现形式的理解。模型所学到的独立特征表明，正常组织拥有其独特的、可被机器学习识别的“身份特征”，这为建立“正常基线”提供了计算依据。最终，也是最重要的意义在于，这套工具和由此产生的知识，可以作为识别癌前恶性变化（premalignant changes）的宝贵参考点。通过精确界定“正常”，我们能更敏锐地探测到偏离正常的早期信号，从而为制定乳腺癌早期预防策略提供新的洞见和工具。这项研究标志着计算病理学从疾病检测向理解健康组织构造迈出了坚实一步，为癌症的源头防控开辟了新路径。
