人工智能赋能肾细胞肿瘤全流程组织病理学分析：一项多中心队列及外部验证研究

*仅供医学专业人士阅读参考

利用人工智能整合全切片图像信息，探索肾细胞肿瘤病理评估与预后预测的新模式。

肾细胞肿瘤是泌尿系统常见肿瘤类型之一，全球疾病负担仍不容忽视。病理评估一直是肾细胞肿瘤诊断和组织学分型的金标准。然而，随着肾细胞肿瘤分类体系不断更新，肿瘤亚型逐渐增多，传统病理评估在亚型鉴别和核分级评估方面仍面临一定挑战，经验丰富的病理医生之间也可能存在诊断差异。

近年来，全切片图像（WSI）和人工智能（AI）技术的发展为数字病理分析带来了新的机遇。基于WSI的深度学习模型能够整合组织形态学和空间结构信息，并已在肿瘤检测、亚型分类、分级评估及预后预测等领域展现出应用潜力。然而，既往肾细胞肿瘤相关AI研究多集中于少数常见亚型，且主要基于公共数据库开展，尚缺乏覆盖多种肾细胞肿瘤亚型并经过多中心验证的综合性病理分析体系。

基于此，发表于BMC Medicine的一项多中心研究构建了一套基于基础模型的全流程组织病理学AI系统，用于实现肾细胞肿瘤组织特征分析、亚型分类、核分级预测以及基于WSI的生存风险评估，并在大型多中心队列中验证其应用价值[1]。本文特对该研究的核心内容进行提炼与解读，以飨读者。

研究设计

该研究回顾性收集了来自4家医疗中心的肾细胞肿瘤病例数据，并结合公共数据库进行外部验证，共纳入7,033例患者的11,135张WSI。所有病例均由泌尿病理专家依据2022年WHO泌尿系统及男性生殖系统肿瘤分类标准、WHO/ISUP分级系统以及AJCC TNM分期标准重新进行病理评估，并确定组织学亚型、核分级及临床分期。

研究团队基于病理基础模型Prov-GigaPath提取WSI图像特征，并结合基于注意力机制的多实例学习（ABMIL）方法，构建全流程组织病理学AI分析系统。

该模型围绕肾细胞肿瘤病理评估中的关键环节开展分析，包括组织区域识别、组织学亚型分类、核分级预测以及基于WSI的风险评分模型（WRS）构建，并进一步评估其对患者肿瘤学结局的预测能力。

研究结果

全肾细胞肿瘤切片中组织成分的自动识别

研究首先评估了AI模型对于肾细胞肿瘤不同组织成分的识别能力。研究团队基于病理医生标注的WSI，对正常组织、肿瘤组织、假包膜、坏死区域以及肉瘤样分化区域5类组织成分进行训练和验证。

结果显示，该模型在不同组织成分识别任务中均表现出较好的分类性能。在验证集和测试集中，各组织区域识别受试者工作特征曲线下面积（AUC）如下：

正常组织：验证集AUC为0.990，测试集AUC为0.991；

肿瘤组织：验证集AUC为0.982，测试集AUC为0.983；

坏死区域：验证集AUC为0.994，测试集AUC为0.998；

肉瘤样分化区域：验证集AUC为0.967，测试集AUC为0.922；

假包膜区域：验证集AUC为0.990，测试集AUC为0.995。

研究进一步通过可视化分析验证模型对于不同组织成分的识别能力。结果显示，除肉瘤样分化区域外，其余主要组织成分均表现出较好的聚类分离效果，提示该区域可能是模型识别中的相对困难部分。

9种肾细胞肿瘤组织学亚型分类

在组织成分识别基础上，研究团队进一步开展肾细胞肿瘤组织学亚型分类。研究共纳入9种组织学亚型进行分类分析，包括透明细胞肾细胞癌（ccRCC）、乳头状肾细胞癌（pRCC）、肾嗜酸细胞瘤、嫌色细胞肾细胞癌（chRCC）、透明细胞乳头状肾细胞肿瘤、黏液小管状及梭形细胞癌、集合管癌、TFE3重排肾细胞癌以及未特指型肾细胞癌（RCC NOS）。

模型在内部验证集和外部测试集中均表现出较好的分类性能。在patch层面，模型分类的宏平均AUC在内部验证集和外部测试集中分别达到0.963和0.911；在slide层面，宏平均AUC分别达到0.983和0.928。进一步分析不同亚型的分类性能显示，模型对于多种肾细胞肿瘤组织学亚型均具有较好的识别能力，其中ccRCC、pRCC和chRCC在外部测试集中的slide级AUC分别达到0.958、0.923和0.995。

此外，研究团队进一步构建了包含常见亚型及“其他”类别的四分类模型，结果显示，该模型能够有效区分常见肾细胞肿瘤亚型，并识别需要进一步人工复核及分子检测的异常病例。

ccRCC和pRCC核分级自动预测

WHO/ISUP分级系统已广泛应用于肾细胞癌病理评估，但由于核仁显著程度等判断标准仍存在一定主观性，不同病理医生之间可能存在分级差异。研究团队基于ccRCC和pRCC病例构建核分级预测模型，并由3名肾脏亚专科病理专家对纳入病例进行独立复核，通过专家共识确定最终核分级结果，作为模型评价的参考标准。

结果显示，在验证集中，AI模型区分高级别（WHO/ISUP 3-4级）与低级别（WHO/ISUP 1-2级）肾细胞癌的总体AUC达到0.867，其中ccRCC和pRCC亚组AUC分别为0.911和0.776。一致性分析显示，AI模型预测结果与专家共识分级的一致率为86.4%，高于普通病理医生与专家共识之间的一致率81.4%（P<0.001）。

研究团队进一步将AI预测的核分级应用于ccRCC和pRCC患者预后分析。结果显示，AI模型判定为高级别的患者具有更差的生存结局，提示自动化核分级结果具有潜在的预后评估价值。

基于WSI构建风险评分模型，实现肾细胞肿瘤患者预后风险预测

结果显示，基于WRS划分的高风险患者在内部验证队列和外部测试队列中均表现出更差的无复发生存期（RFS）、疾病特异性生存期（DSS）及总生存期（OS）。在与传统病理指标比较时，虽然TNM分期包含肿瘤大小、脂肪侵犯等无法直接从组织图像中获取的信息，整体预测能力仍具有优势，但WRS在RFS、DSS和OS预测方面均优于WHO/ISUP分级。此外，多因素分析显示，在校正TNM分期、WHO/ISUP分级、坏死及肉瘤样分化等因素后，WRS仍可作为RFS和DSS的独立预后预测指标。

总结与展望

该研究构建了一套基于WSI的肾细胞肿瘤组织病理学AI分析框架，实现了从组织区域识别、组织学亚型分类、核分级预测到预后风险评估的全流程分析。研究结果显示，该系统在肾细胞肿瘤亚型分类、核分级判断及预后风险预测方面展现出良好性能，并能够在传统组织学评估基础上提供额外的预后信息。对于部分少见亚型，由于外部验证样本量有限，其分类性能仍需进一步验证。

然而，该AI系统目前仍应作为辅助决策工具，而非替代病理医生的独立诊断系统。未来仍需在真实世界中开展前瞻性研究，进一步评估AI与病理医生协作模式是否能够改善诊断准确性、提高病理评估一致性并减轻病理医生工作负担。

参考文献

[1] Xiong Y, et al. Artificial intelligence empowers full-stack histopathological diagnosis and prognosis of renal cell tumor: a multi-center study with external validation. BMC Med. 2026 Aug 4;24(1):408.

*此文仅用于向医疗卫生专业人士提供科学信息，不代表平台立场。