【免费】第二届西部单细胞与空间组学论坛
近日，德累斯顿工业大学医学院Jakob Nikolas Kather、清华大学孔令杰团队在国际知名期刊《Cancer Cell》发表一项最新研究成果：研究团队开发了一种名为PathPrism的可解释人工智能框架，能够在组织病理学全切片图像中系统性地发现空间生物标志物，为精准肿瘤学开辟了全新路径。PathPrism指向了一种新的计算病理学范式，在这个范式中，AI系统不仅是黑箱预测器，更是构建可解释表征的工具。
图形摘要
破解困境：从预测到理解
深度学习在计算病理学领域取得了显著进展，但其“黑箱”特性一直是临床转化的最大障碍——模型能够做出准确预测，却无法解释预测背后的生物学依据。这一局限不仅削弱了医生的信任，也限制了AI驱动的科学发现。
PathPrism的核心理念正是打破这一困局。研究团队希望在最大化模型可解释性的同时，不牺牲预测性能，该框架通过三个关键模块实现了这一目标：PrismNet语义分割网络、MacroNet预后关联模型，以及由628个可解释空间特征组成的“空间生物标志物光谱”。
大规模临床验证：覆盖7000余例结直肠癌患者
研究团队在涵盖11个独立队列、超过7000名结直肠癌患者的庞大数据集中验证了PathPrism的性能。PrismNet在组织分割任务中达到了94.8%的宏平均F1分数和98.8%的AUROC，展现出极高的精度。更重要的是，基于可解释空间特征的预后模型（SPM）在多个外部队列中的表现与顶尖基础模型相当，甚至更优。在DACHS队列的五折交叉验证中，该模型的C指数超过0.7，并在MCO、CR07和TCGA等外部队列中保持了稳定的预测能力。
发现数百种新型空间生物标志物
通过多角度模型解读，PathPrism成功识别出数百种与生存、微卫星不稳定性、BRAF和TP53基因突变相关的空间生物标志物。其中，淋巴细胞与肿瘤组织的空间关系、基质区域占比、肿瘤中心性等特征被证实具有显著的预后价值。特别值得关注的是，研究团队发现空间生物标志物能够有效分层II/III期结直肠癌患者对辅助化疗的获益差异。
从观察到探索：开启虚拟实验新时代
PathPrism的另一项创新是VirtualWSI平台，它允许研究人员在全切片图像上进行可控的语义扰动实验。通过模拟不同组织成分的变化，研究者可以观察空间生物标志物的动态响应，从而从被动观察转向主动探索。这就像拥有一个数字显微镜，你可以问“如果这里多了一些淋巴细胞会怎样？”或者“如果肿瘤浸润模式改变了会怎样？”
研究团队还巧妙地将大语言模型整合到工作流程中。利用空间生物标志物的可解释性，他们设计了包含特征定义、空间解释和生存统计信息的专门提示词，引导LLM生成结构化的生物学假设。
研究意义与未来展望
这种可解释性支持详细的探索和假说驱动的研究，而不是仅仅追求端到端的预测。研究团队表示，PathPrism框架天然兼容空间多组学、三维病理学和多模态整合等新兴数据模态。未来应用可能包括治疗反应建模、药物发现，以及用于可解释自主探索的智能体AI工作流。
https://www.cell.com/cancer-cell/fulltext/S1535-6108(26)00259-X
免费论坛 |