7国3500人研究：AI看病理片就能预测乳腺癌复发

来自七个国家、十五个患者群体，超过三千五百名患者的病理数据——这些数字共同指向一项新鲜出炉的研究，它或许能让预测乳腺癌复发这件事，变得又快又便宜。

你可能也留意过，这些年乳腺癌的诊断和治疗一直在进步，靶向药、免疫疗法不断出圈，但有一个问题始终悬在医生和患者心头：癌细胞还会不会卷土重来？一旦复发，意味着之前的治疗可能需要重新评估，也意味着重新面对一轮又一轮的煎熬。正因如此，谁能准确预报“复发风险”，谁就能帮助人们做出更聪明的治疗选择，是加强火力还是适可而止。

这里头有一个长期让人头疼的现实：目前最主流的预测工具是基因组测试，它会分析肿瘤基因的某些表达特征，算出复发概率，还能推测患者能否从化疗中获益。听起来很完美，但它有几个硬伤。一是贵，二是慢，常常要等上好几周才能拿到报告。更要命的是，这种测试需要用掉手术切下来的肿瘤组织，做完检测，样本也就消耗掉了，等于说，如果将来再有新的检测手段想回溯研究，已经没有标本可用了。

所以，不难理解当纽约大学数据科学中心访问学者、纽约大学格罗斯曼医学院兼职助理教授克日什托夫·J·格拉斯（Krzysztof J. Geras）和他的同事在《自然·通讯》上提出一种AI替代方案时，许多人会竖起耳朵。格拉斯在解释这项工作的动机时说了句大实话：“乳腺癌不是一种单一疾病，关于要治疗得多积极，决策往往很困难。”他的团队想做的，就是让这个决策变得有据可依，而且触手可及。“这项研究显示，一个AI测试可以读取病理医生已经在看的那些肿瘤切片，再结合一些基础的临床信息，就能比较准确地估计患者癌症复发的可能性。”

这里头的关键信息是“病理医生已经在看的那些切片”。你做手术切下来的组织，会被制成薄到透明的切片，染上色，放在玻璃片上，病理医生通过显微镜看细胞形态、排列、有没有坏死，来给肿瘤定性、分级。这些切片是常规流程的产物，不存在额外的取材成本。AI测试的思路正是借力打力：直接从存档或新制的数字病理图像里提取信息，而不需要像基因组测试那样把珍贵的标本消耗掉。配合患者年龄、肿瘤分期、激素受体状态等病历里本来就有的临床细节，这个多模态AI模型就能给出一个风险评分。

让这个模型变得特别能打的，并非海量人工标注的数据。论文共同作者、纽约大学计算机科学和数据科学教授扬·勒昆（Yann LeCun）指出了一个技术上的妙处：“模型的准确性不只来自人工标注。它来自于自监督预训练，让模型先学到丰富的表征，然后这些表征才会转化为强大的下游表现——这一配方应该能推广到乳腺癌之外的更多领域，更广泛地看，这正是种种棘手问题所需要的新型AI科学。”说人话就是，先给AI看海量的病理图像，不告诉它这些图像意味着什么，让它自己摸索出细胞、组织结构的各种规律，建立起一套“视觉理解”。等这个基础打牢了，再拿标注好的病例数据稍加调教，它就能迅速学会判断风险。这种先“自悟”再“精修”的路径，大大降低了对手工标注的依赖，也让它更容易适应不同医疗场景。

为了把这个AI测试打磨得足够皮实，研究团队从七个国家十五个患者群体中汇集数据来训练和验证，最终用超过三千五百名患者的资料评估它的效力。他们用了两个统计上的硬指标来衡量本事：一个是C指数，你可以把它想象成一种“辨别力”打分——如果把高复发风险患者和低复发风险患者名单混在一起，模型能不能准确地把他们重新分开；另一个是风险比，它在比较两组患者随着时间推移出现复发事件的风险差距。数字越大，说明模型揪出高风险人群的能力越强。

结果挺让人宽心。整体上，AI测试能可靠地把高风险和低风险患者区分开来。更值得留意的是，它在三阴性乳腺癌和HER2阳性乳腺癌这两个亚型上也表现不俗——要知道，这两种类型的乳腺癌目前并没有可靠的基因组测试可用。换句话说，对那些曾经被精准预测“遗忘”的患者群体，AI测试打开了一扇新的窗。

当然，这项研究并不意味着你今天走进医院就能立即用上这个AI预测。它还在学术验证阶段，从论文到临床常规还有一段路要走。但它的出现提供了一个清晰的信号：预测癌症复发，也许不必再捆绑昂贵的基因测序和漫长的等待，也不必再焚烧掉宝贵的标本。病理切片早已在那里，AI正在学习与它们对话。至于这场对话最终会如何改写好治疗决策的剧本，还需要更大规模的真实世界研究来揭晓。也许，正如格拉斯所暗示的，当预测变得足够便宜、足够快捷，它就能真正渗透到每一次初诊和随访里去，让“癌症会不会回来”这个提问，得到一次更早、更干脆的回应。