《European Journal of Neurology》：AI-Based Methods in Neuropathology for Diagnosis and Treatment of Brain Tumors
编辑推荐：
本文系统回顾了人工智能(AI)在神经肿瘤神经病理学领域的前沿应用，涵盖了AI在组织病理学和分子数据（如DNA甲基化）分析中的关键技术、模型（如CNN、ViT）、主要任务（如亚型分级、分子标志物预测、预后评估）和两大新兴应用实例（SRH、纳米孔测序）。文章阐述了AI如何提升诊断精准度、加速工作流并推动个性化医疗，也指出了数据、可解释性、验证和临床转化等方面的挑战，为相关研究和临床实践提供了全面指导。
人工智能如何重塑脑肿瘤诊断？
中枢神经系统（CNS）肿瘤种类繁多，传统诊断依赖组织形态学特征。2016年世界卫生组织（WHO）分类标准的修订标志着诊断范式的转变，分子生物标志物的作用日益凸显，并在2021年的第五版中大幅扩展。如今，DNA甲基化谱分析等分子病理学方法已成为不可或缺的诊断工具，能对几乎所有肿瘤类型进行分类，并为一些肿瘤（如具有毛发样特征的高级别星形细胞瘤）提供了关键的诊断标准。整合组织形态学、分子病理学和临床特征的多模态分析，对于建立一个客观、可重复且预后意义明确的分类体系至关重要，其最终目标是实现个体化治疗。
人工智能模型赋能精准分析
人工智能（AI）为处理这些高维数据提供了理想工具。在医学背景下，AI可被定义为“能够自主解决复杂推理问题的计算系统的科学与技术”。为实现这一目标，AI通常采用机器学习（ML）方法。卷积神经网络（CNN）已成为病理学图像分析的主导技术，能够从全切片图像（WSI）的原始像素数据中自动学习层次化特征，而无需手动特征工程。其底层网络学习通用特征（如边缘和纹理），而高层网络则能识别特定领域的复杂结构（如组织病理学中的血管系统和表面上皮）。
机器学习模型有多种训练范式。在组织病理学中，由于通常仅使用切片级别的诊断作为金标准来训练模型，弱监督学习是一种常见场景。相比之下，自监督学习（SSL） 通过在大型数据集上创建伪任务（如图像重建）来预训练模型，随后在较小但有精确标注的数据集上进行微调，这对数据标注有限的任务尤其有效。视觉变换器（ViT） 作为一种新兴架构，相比CNN具有更弱的归纳偏置，能更好地捕捉图像的全局上下文信息，在更复杂的WSI分析任务中或有优势，但通常需要更多训练数据。基础模型 则在大量无标签数据上进行SSL预训练以获得对领域的通用理解，之后可快速微调以适应各种下游任务，展现出极强的通用性。
Echle等人将AI在病理学中的应用区分为基础和高级两类。基础应用旨在处理常规任务（如脑脊液细胞学筛查），以减轻病理学家负担；高级应用则致力于揭示人类病理学家难以直接评估的新关联，例如从H&E（苏木精-伊红）染色切片预测分子生物标志物。
数据：机遇与挑战并存
组织病理学数据的数字化是AI应用的前提。WSI数据量巨大，通常采用基于图像块的patch分析策略。目前，脑肿瘤研究可用的公共数据集包括癌症基因组图谱（TCGA）、数字脑肿瘤图谱（DBTA） 等，但普遍面临数据有限、代表性不足、标注层级粗、标准化程度低等挑战。不同机构在组织固定、染色、扫描等前处理流程上的差异会引入位点特异性伪影，影响模型泛化能力。此外，多数现有数据集以高加索人种为主，可能导致算法偏见，加剧健康不平等。国际协作项目（如EBRAINS、Bigpicture）和联邦学习 等技术正在努力应对数据稀缺和隐私问题。
可解释性与验证：临床落地的关键
深度学习模型的“黑箱”特性是阻碍其临床应用的主要障碍之一。可解释人工智能（XAI）方法旨在揭示模型的决策依据，例如通过梯度加权类激活映射（GradCAM）等方法在WSI上高亮与特定预测相关的图像区域，从而验证模型是否学习了合理的生物学特征，而非依赖混杂的伪影。在分子病理学中，可从随机森林模型中提取特征重要性，或使用浅层神经网络，直接展示驱动分类的差异甲基化CpG位点。
模型的外部验证 同样至关重要，但目前在神经肿瘤组织病理学研究中，仅有约10%-16%的研究进行了外部验证，许多已发表研究存在较高的偏倚风险。未来，AI算法需要通过前瞻性、多中心随机临床试验来证明其临床效用，并遵循TRIPOD-AI等标准进行报告。临床落地还需解决与实验室信息系统集成、计算基础设施、人员培训、经济成本、责任界定和监管审批等一系列实际问题。
AI在神经肿瘤病理学中的应用现状
目前的研究主要聚焦于神经胶质瘤，其次是脑膜瘤、髓母细胞瘤等。AI任务主要包括六个方面：亚型分型与分级、分子标志物预测、生存预后预测、形态学识别（如栅栏状坏死和微血管增生）、组织分割以及细胞检测/定量（如Ki-67指数定量）。
在组织病理学方面，利用CNN从H&E染色WSI对弥漫性胶质瘤进行分级和分型是早期成功范例。通过预测IDH、ATRX、1p/19q等关键分子标志物的状态，AI能够实现基于形态学的间接分类。进一步地，AI甚至可以预测用于表观遗传亚型分型的甲基化β值。MGMT启动子甲基化是胶质母细胞瘤对替莫唑胺反应的重要预测标志物，利用ViT有望从H&E切片快速评估其状态。CHIEF 等基础模型在肿瘤分类、分子标志物预测和生存预测等任务上均表现出色。在预后方面，通过整合Cox回归层，AI可以从WSI预测患者生存期，识别出不同预后的患者亚群，并能预测胶质母细胞瘤的转录亚型和细胞状态，为昂贵的空间转录组学分析提供了补充。
在分子病理学方面，最突出的应用是基于全基因组DNA甲基化谱的随机森林模型，可准确区分82类（后更新至184类）脑肿瘤，该框架已被整合进最新的WHO分类。这些精细分类展现了分子谱分析的强大能力，但也需审视其临床实用性，未来可能需要将部分AI分类简化为更具临床可操作性的类别。
新兴应用实例一：刺激拉曼组织成像（SRH）
刺激拉曼组织成像（SRH）是一种快速、免标记的光学成像技术。它通过测量样本中脂质和蛋白质独特的拉曼光谱信号，来生成虚拟的H&E染色图像，整个过程仅需约3分钟。该技术非常适合作为术中诊断的补充方法，与术中冰冻切片相比，诊断一致性超过90%。
SRH图像的数字化特性天然适合AI应用。研究已证实，基于SRH图像训练的CNN模型，对10种常见脑肿瘤的分类准确率可达到病理专家水平（>90%）。该技术还能进一步用于预测弥漫性胶质瘤的关键诊断标志物（如IDH突变、1p/19q共缺失、ATRX突变）。更令人瞩目的是，AI赋能的SRH可在10秒内快速检测胶质瘤的肿瘤浸润区域，为神经外科医生最大化切除范围提供实时指导。
新兴应用实例二：纳米孔测序
纳米孔测序是第三代长读长测序技术，能够实时测序并直接检测CpG甲基化等碱基修饰。与当前甲基化谱分析的金标准EPIC芯片相比，纳米孔测序能显著加快全基因组甲基化谱分析速度，可用于获取稀疏甲基化谱，并在24小时内甚至术中实现DNA甲基化分类预测，从而影响手术策略，为术中肿瘤类型特异性治疗铺平道路。
目前已有多种基于纳米孔测序的快速诊断方案。例如，Sturgeon 分类器可在90分钟内完成基于甲基化的脑肿瘤分类；MethyLYZR 能在60分钟内预测肿瘤类型；Rapid-CNS2 可在30分钟内对91个类别进行初步实时分类和拷贝数变异（CNV）分析。ROBIN 系统则整合了多种分类器，可在测序开始后几分钟内提供稳健的分类，并在2小时内完成整体诊断，24小时内检测单核苷酸变异（SNV）、CNV、MGMT启动子甲基化等，极大加速了完整整合诊断的进程。此外，纳米孔测序还可应用于液体活检，用于原发性诊断或疾病监测。
结论与展望
人工智能正在深刻改变神经肿瘤病理学的实践。当前大多数AI应用作为被动辅助工具，而未来的智能体AI 可能作为“团队成员”集成到工作流中，自主评估病例、建议或自动安排辅助检测，并起草初步报告供病理学家审核签署。大型语言模型也可能成为病理学家讨论复杂病例、激发科研假设的“智力伙伴”。
AI还将是多模态数据（临床表现、影像学、组织病理、分子谱）融合的关键，为每位患者提供更全面的疾病视图。最重要的是，AI有望成为基于组织切片进行分子检测的可靠替代工具。然而，要充分发挥其潜力，实现精准诊断的普及，必须克服数字基础设施成本和专业培训需求等障碍。
