《npj Precision Oncology》：Prediction of molecular subtypes from histology: AI-driven analysis of prostate cancer morphological patterns and therapeutic implications
编辑推荐：
本研究致力于解决前列腺癌分子亚型鉴定依赖昂贵的分子检测、临床普及受限的问题。研究人员开展了利用常规H&E染色病理切片，通过人工智能模型（UNIv2-MIL框架）预测PAM50和PSC分子分型的前瞻性研究。结果表明，该模型预测效能优异（AUC分别为0.863和0.81），且模型预测结果与患者对激素治疗（HT）的响应及不良病理特征（APFs）显著相关。这项工作为前列腺癌的无创风险分层和精准治疗决策提供了有前景的新工具。
前列腺癌是全球男性常见的恶性肿瘤，其内在的“性格”千差万别，这种差异很大程度上由内在的分子特征决定。科学家们将前列腺癌划分为不同的分子亚型，例如基于PAM50分型或前列腺分型分类器（PSC）的亚型，这些“身份”深刻影响着疾病的侵袭性、进展风险以及对不同治疗的反应。了解一个患者的肿瘤属于哪种分子亚型，就好比拿到了其“基因身份证”，对于制定个体化的精准治疗方案至关重要。然而，获取这张“身份证”并非易事，它通常依赖于专门的分子生物学检测，这些检测价格不菲、流程复杂，并非在所有医疗机构都能常规开展，这在一定程度上限制了精准医疗理念的广泛应用。
面对这一临床瓶颈，一个充满前景的问题应运而生：能否利用常规病理检查中广泛可得、成本相对低廉的苏木精-伊红（H&E）染色切片，通过“读懂”肿瘤组织的微观形态结构，来间接推断其背后隐藏的分子身份？这正是本项研究要回答的核心问题。研究人员设想，人工智能（AI），特别是深度学习模型，或许能够从人眼难以完全捕捉的复杂组织学模式中，挖掘出与特定分子亚型紧密相关的“视觉指纹”。这项研究发表在《npj Precision Oncology》杂志上，由Y. Liu等人完成，他们开发并验证了一种能够直接从标准H&E活检切片预测前列腺癌分子亚型的AI模型，为低成本、高通量的分子分型提供了一种全新的解决方案。
为了开展这项研究，作者们主要应用了以下几项关键技术方法：首先，他们构建了一个包含424名患者、903张匹配了分子分型数据的H&E活检切片队列作为开发集。核心技术是提出了一个名为UNIv2-MIL的创新框架，该框架对预训练的病理学基础模型（UNIv2）进行微调，并采用了多实例学习（MIL）策略来处理全切片图像。模型在两个独立验证队列中进行了性能评估，一个包含131名患者用于分析治疗反应，另一个包含122名从主动监测转为根治性前列腺切除术（RP）的患者用于分析病理结局。
研究结果
1. AI模型预测分子亚型的性能
研究人员开发了基于UNIv2-MIL框架的AI模型，用于直接从H&E切片预测PAM50和PSC分子分型。在内部测试集上，该模型展现出了优异的判别能力，预测PAM50分型的曲线下面积（AUC）达到0.863，预测PSC分型的AUC为0.81。这表明，模型能够相当准确地从常规病理切片中捕捉到与分子亚型相关的形态学信息。
2. 与分子亚型相关的组织学模式
通过计算聚类方法对模型关注度高的图像区域进行分析，研究者识别出了与特定分子亚型相关联的组织学形态模式。例如，某些腺体结构、细胞排列方式或间质特征被模型赋予了高权重，这些可视化的“注意力图”为理解分子特征如何在组织形态上体现提供了线索，增强了模型的可解释性。
3. 模型预测结果与治疗反应的相关性
在一个独立的、包含131名患者的验证队列中，研究者分析了模型预测的亚型与患者对激素治疗（HT）临床反应的关系。他们观察到，被模型预测为管腔样（luminal）亚型的患者，对激素治疗表现出更好的响应趋势，其统计学显著性p值小于0.03。这提示，基于H&E的AI预测可能具有指导治疗方案选择的潜在价值。
4. 模型预测结果与不良病理特征的相关性
在另一个独立的验证队列中，研究者追踪了122名最初接受主动监测、后因病情进展接受根治性前列腺切除术（RP）的患者。他们发现，AI模型预测的PAM50管腔B型（luminal B）分数和PSC管腔增殖型（luminal proliferating）分数，与术后标本中检出的不良病理特征（APFs，如高级别肿瘤、精囊侵犯等）存在显著正相关（p值分别小于0.001和等于0.003）。这意味着，模型的预测分数可能作为一种无创的生物标志物，用于识别那些在主动监测期间存在较高风险、可能隐藏侵袭性病灶的患者。
结论与讨论
综上所述，这项研究成功开发并初步验证了一种基于常规H&E染色病理切片的人工智能方法（UNIv2-MIL框架），用于预测前列腺癌的PAM50和PSC分子亚型。该模型不仅展示了较高的预测准确性，更重要的是，其预测结果在独立队列中显示出与临床结局的相关性：预测的管腔样亚型与更好的激素治疗反应相关，而预测的高风险分数则与更差的手术病理结果相关。
这项工作的意义重大。它首次证明，利用临床实践中无处不在的常规病理切片，通过AI深度挖掘，能够有效推断出原本需要专门分子检测才能获得的前列腺癌分子分型信息。这为克服分子检测的成本和可及性壁垒提供了一条创新路径。尽管仍需在前瞻性、大规模队列中进行进一步验证，但本研究提出的AI驱动方法展现出巨大的转化潜力。未来，它或可整合到病理诊断流程中，作为一种辅助工具，低成本、快速地为前列腺癌患者提供分子风险分层信息，从而助力于更早期的精准治疗决策和更个体化的疾病管理策略，推动前列腺癌诊疗向更精准、更普惠的方向迈进。
