PathVista Integrates Cellular Foundation Models with Multiscale Histopathology for Colorectal Cancer Prognosis and Molecular Stratification
PathVista 是一个创新的以细胞为中心的框架，它将大规模细胞基础模型与多尺度组织病理学相结合，显著提高了不同患者队列中结直肠癌的预后评估、分子分型及肿瘤特征分析水平。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在对抗癌症的战斗中，医生们长期以来一直依靠显微镜来观察敌人。他们观察用紫色和粉色染料染色的薄组织切片，以发现异常细胞并评估肿瘤可能的侵略性。这种被称为组织病理学的方法已作为标准诊疗手段使用了数十年。然而，一张载玻片包含数百万个细胞，而人类的眼睛一次只能专注于其中的一小部分。虽然病理学家可以观察到肿瘤的总体形状，但单个细胞与其周围环境之间微妙的相互作用往往仍然隐藏其中。这些微小的细节——例如癌细胞与免疫细胞相邻的具体排列方式，或细胞核的精确形状——可能正是预测患者能否生存或疾病是否会复发的关键。多年来，计算机一直试图通过分析这些图像来提供帮助，但它们通常是以宽泛、模糊的斑块形式观察组织，从而错失了让每个细胞变得独特的精细细节。
一项新研究介绍了一个名为 PathVista 的系统，旨在改变计算机读取这些显微地图的方式。该系统不再眯着眼观察大面积、模糊的组织区域，而是先缩放并检查单个细胞，从超过 1.6 亿个样本中学习一套关于细胞形状和行为的“词汇”。随后，它会退后一步，观察这些细胞如何融入更广泛的组织景观。通过将单个细胞的故事与它所生活的邻里故事相结合，PathVista 创建了一个更加清晰的图像，揭示了肿瘤的真实本质。研究人员在数千名结直肠癌患者（全球第三大常见癌症）身上测试了这种方法，发现这种以细胞为中心的视角能够以惊人的准确度预测生存率并识别特定的基因突变，其表现往往优于现有方法。
研究人员首先教计算机在不被告知要寻找什么的情况下识别细胞。他们向系统输入了数百万张取自结直肠癌组织的单个细胞图像。计算机学会了将外观相似的细胞归为一类，基于纯粹的视觉外观创建了一个细胞类型的“心理库”。这个过程被称为自监督学习，它使系统能够发现人类肉眼可能忽略的模式，例如细胞大小的细微变化或细胞聚集的方式。一旦计算机掌握了这套细胞词汇，研究人员便构建了 Path much 更加强大的 PathVista 来使用它。对于每一张新的患者切片，系统首先识别并分析每一个单独的细胞，捕捉它们的独特特征。然后，它会观察更广泛的组织结构以理解其背景。最后，它将这两个视角合并，生成一份既反映微观细节又反映宏观结构的综合报告。
在对 2,568 名结直肠癌患者的大规模测试中，PathVista 证明了其价值。系统为每位患者生成了一个风险评分，该评分能强烈预测其生存几率。被系统标记为高风险的患者，其五年内的死亡风险显著高于被标记为低风险的患者。这种差异非常悬殊：高风险组的死亡风险比低风险组高出六倍以上。即使研究人员考虑了肿瘤大小、淋巴结受累情况和患者年龄等已知因素，这一预测依然成立。事实上，计算机生成的风险评分比目前许多医生使用的传统临床因素提供了更一致的信息。该系统还能成功预测患者在治疗后保持无病状态的时间以及疾病复发的可能性。
为了确保系统不仅仅是在死记硬背训练过的特定图像，研究人员在来自其他医院和数据库的两个完全不同的患者组中对其进行了测试。即使存在不同的组织制备方法和患者人口统计学差异，PathVista 仍保持了区分高风险和低风险患者的能力。在一个外部组中，系统正确识别了高风险患者，这类患者的死亡风险几乎是低风险组的三倍。在另一个大型数据库中，风险比甚至更高，达到了五倍以上。这些结果表明，该系统学习到了关于肿瘤在显微镜下呈现侵略性的基本生物学真相，而不仅仅是记住了特定数据集的特性。
除了预测生存率外，PathVista 还展示了它作为特定基因突变“侦探”的能力。结直肠癌由不同的遗传错误驱动，了解存在哪些错误对于选择正确的治疗方案至关重要。该系统能够以极高的准确度识别具有特定遗传不稳定性（即微卫星不稳定，MSI）的肿瘤，在超过 90% 的病例中正确标记了它们。这至关重要，因为携带这种特定突变的患者通常对免疫疗法反应良好。此外，该系统在识别与 BRAF 基因突变相关的肿瘤方面也表现出色，这种突变与较差的预后相关，需要不同的靶向治疗。虽然它在识别另一种常见的 KRAS 突变时效果稍逊，但它对另外两种突变的检测能力表明，这些遗传变化在组织上留下了独特的、可见的“足迹”，计算机可以学习并解读这些足迹。
研究还探讨了这种以细胞为中心的方法是否适用于其他类型的癌症。研究人员将这套基于结直肠癌训练的系统应用于肺癌和乳腺癌样本。令人惊讶的是，该系统保留了预测结局和分类不同器官肿瘤类型的能力。这表明，细胞在变为癌细胞时的基本行为方式——它们如何分裂、如何与免疫细胞相互作用以及如何组织自身——在不同类型的癌症中是共通的。该系统学习到了一种超越结肠本身的、关于细胞侵略性的通用语言。
最后，研究人员深入观察了系统的内部机制，以了解它究竟在看什么。他们发现，计算机将注意力集中在细胞分裂迅速、血管正在形成以及氧气水平较低的组织区域，这些都是侵略性癌症的标志。相反，在生存期较长的患者中，系统关注的是富含免疫细胞（已知能对抗肿瘤）的区域。这种计算机关注点与既定生物学知识的一致性，让医生相信该系统并非只是在寻找随机模式，而是在识别疾病真实的生物学驱动因素。
这些发现为我们如何利用常规医学图像提供了新的视角。通过将每个细胞视为一个独特的数据点，并理解其在更大组织生态系统中的地位，PathVista 将标准的显微镜切片变成了一个丰富的预后信息来源。虽然该系统不能取代基因检测，但它提供了一个强大且易于获取的工具，可以帮助医生更早地识别高风险患者并更有效地制定个性化治疗方案。这项研究表明，关于癌症护理中最困难的一些问题的答案，其实已经存在于我们观察了几十年的组织样本之中；我们只是需要一种新的方式去看见它们。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。