不用测序、不花大钱：AI 从一张常规病理切片“看穿”胃癌异质性

正文共：3428字

预计阅读时间：9分钟

同一个肿瘤里，细胞与细胞之间能有多大差别？答案可能超乎想象：有的癌细胞对药物敏感，有的天生耐药；有的被免疫系统严密监视，有的擅长“隐身”。这种同一肿瘤内部的差异，医学上称为瘤内异质性（intratumoral heterogeneity，ITH）——它是肿瘤耐药、复发与转移的重要“推手”。

但想看清一个肿瘤到底有多“乱”，过去几乎必须做基因测序：费用高昂、周期漫长、技术门槛高。2026年8月，病理学权威期刊《Modern Pathology》（美国与加拿大病理学会官方期刊，中科院一区）发表了一项来自山东大学齐鲁医院刘联教授团队（博士生聂述论和石端博副教授并列一作）别开生面的研究：只用一张常规的HE染色病理切片，人工智能就能“算”出胃癌的异质性程度，并据此预测患者的生存风险。

01 先搞清楚一个问题：肿瘤的“乱”，为什么这么重要

瘤内异质性，指的是同一个肿瘤内部，不同癌细胞亚群在基因、形态和功能上的差异。你可以把它想象成一座“城市”：城里住着不同“帮派”的细胞，有的安分，有的暴烈，有的还在不断变异出新的“能力”。

“城市”越混乱，治理就越难——这正是瘤内异质性可怕的地方：

· 它是癌细胞克隆演化与治疗耐药的驱动力，肿瘤内部越多样，越容易“卷土重来”；

· 它与更差的预后直接相关，异质性高的肿瘤，患者生存期通常更短。

既然如此，尽早摸清肿瘤的“混乱程度”，对治疗决策意义重大。可问题是：评估异质性的“金标准”——多区域测序、单细胞测序——太贵、太复杂、周期太长，绝大多数临床场景用不起。于是，一个朴素而大胆的想法出现了：能不能不测基因，只看常规病理切片，就把异质性“算”出来？

02 研究怎么做的：773 位患者、893 张切片、三个独立队列

这是一项多队列、回顾性研究，规模相当扎实：

· TCGA-STAD 公共队列（美国癌症基因组图谱胃癌数据，342人）：拆分为训练集（239人）与内部验证集（103人）；

· QL1 队列（齐鲁医院，369人）：其中 135 人进入外部测试集1，其余 234 人为探索队列；

· QL2 队列（齐鲁医院青岛院区，62人）：其中 30 人进入外部测试集2。

研究共纳入 773 位患者的 893 张HE染色全切片图像，并对两个外部测试队列做了全外显子测序作为“标准答案”。所有切片由病理医生标注肿瘤区域，再切成 512×512 像素的小图块交给 AI 处理。

03 关键发现点

关键发现一：8 种算法同台竞技，MATH 最能“预测生死”

研究团队先干了件“考古”的活：把文献中 8 种主流的异质性量化算法（MATH、ABSOLUTE、DITHER、PhyloWGS、DEPTH、DEPTH2、sITH、tITH）全部跑了一遍，再用 Cox 回归逐一检验它们与总生存期的关系。

结果很干脆：MATH 脱颖而出——多因素分析中，MATH 高组患者的死亡风险是低组的1.840倍（95% CI 1.144–2.957，P=0.012），且在校正肿瘤纯度、倍性、拷贝数变异等混杂因素后依然显著。

生存数据更直观：MATH 低组中位总生存期 37.77 个月，高组只有 25.13 个月（P=0.0076）。

MATH 是什么？它的全称是“突变等位基因瘤内异质性”，本质上是看测序数据里各突变位点的等位基因频率分布有多“散”——分布越散，说明肿瘤内部的基因组越混乱。

顺带一提，研究还发现了一些有趣的分子特征：TP53 突变在 MATH 高组更常见（48% vs 27%），而 MSI-H（微卫星高度不稳定）肿瘤则主要聚集在 MATH 低组。

关键发现二：高异质性肿瘤，长着一副“免疫冷”面孔

MATH 高的肿瘤，不只是“基因组乱”，它的整个生物学面貌都不同：

· 染色体更不稳定：染色体不稳定指数、非整倍体评分、拷贝数变异负担都显著更高（如 8q24.21、20q13.2 等区域高频扩增）；

· 微环境更“冷”：免疫评分与基质评分显著更低、肿瘤纯度更高，呈现免疫抑制表型；

· 相比之下，MATH 低的肿瘤更多表现为免疫激活表型，与 MSI-H、丰富的免疫细胞浸润相关。

一句话概括：高异质性 ≈ 基因组更乱 + 免疫更“冷”。这或许解释了为什么这类肿瘤预后差——它既能通过基因组多样性逃逸治疗，又能营造免疫逃逸的“温床”。

04 重头戏：AI 如何从一张切片“算”出异质性

如果 AI 能直接从 HE 切片预测 MATH 状态，测序的“卡脖子”问题就迎刃而解。研究团队为此构建了一个名为PASTE的融合模型（病理驱动的堆叠集成模型），核心思路是“两条腿走路”：

· 病理组学特征：用开源软件 CellProfiler 提取细胞形态、大小、纹理、染色强度分布等“看得懂”的定量指标；

· 深度学习特征：用 ResNet50 卷积神经网络先对每个图块预测 MATH 状态，再通过两种多实例学习管线（PALHI 与 BoW）把图块级别的信息聚合成整张切片的特征。

最后，把两类特征分别训练成三个“基模型”，再用一个逻辑回归“元模型”集成——类似让三位专家各抒己见，再由一位“总评委”拍板。

效果如何？模型在训练集 AUC 达 0.956，内部验证 0.863，两个外部测试集分别为 0.880 和 0.852——在从未参与训练的外部医院数据上，依然保持了出色的判别能力。

05 模型真的有用吗：预测预后，还优于现有标志物

模型对每位患者输出一个 0–1 的“异质性风险评分”（ITHRS）。这个评分不是摆设：

· 它是独立预后因素：在 TCGA-STAD、两个外部测试集、探索队列和 QL2 队列中，高风险组与低风险组的生存曲线都显著分离（全部 P＜0.05）；

· 即使在排除了 MSI-H 的 MSS 亚组内，区分依然成立——而这部分患者恰恰是最缺乏有效预后标志物的人群；

· 在一组接受一线免疫治疗的晚期胃癌患者（46例）中，低风险组的生存期也显著更长（P＜0.001）。

更亮眼的是“正面硬刚”：与临床上常用的 PD-L1 CPS、MMR/MSI 状态、EBER、HER2 四种标志物相比，ITHRS 预测 1 年、2 年、3 年生存的 AUC 更高；把 ITHRS 与这些标志物联合使用，预测精度进一步提升。

06 AI 的“眼睛”在看什么：模型不是黑箱

医疗 AI 最怕“黑箱”——模型说高风险，却没人知道它凭什么。研究团队用 Grad-CAM 热力图给模型做了“X 光透视”：

· 模型重点关注的区域，大多是核异型性明显、细胞密度高、排列紊乱的肿瘤上皮区，以及免疫细胞浸润丰富的淋巴样区域；

· 把切片图块按深度学习特征聚类后发现：被预测为高异质性的图块，多属于“核大深染、核质比高、低分化”的形态簇；被预测为低异质性的，多属于“炎症浸润明显、分化较好、细胞规则”的形态簇。

换句话说，模型“看”到的东西，与病理医生能识别的形态特征高度吻合——这大大增强了它的可信度与落地潜力。

07 创新在哪，意义何在

把这项研究放进大背景看，它的价值是清晰的：

· 系统比较了 8 种异质性量化指标在胃癌中的预后价值，锁定 MATH 为最优指标，为后续研究提供了“标尺”；

· 构建了“病理组学 + 深度学习”融合模型，实现从常规 HE 切片直接推断胃癌的基因组异质性，无需测序、不额外消耗组织；

· 模型跨机构外部队列验证、可解释、优于现有标志物，并且对组织有限的内镜活检标本同样友好——在缺乏测序条件的基层医院，“一张切片出结果”的工具尤其有落地价值。

当然，科学解读必须守住边界：

· MATH 只是异质性的一种代理指标，模型不能替代多区域测序、单细胞测序或空间组学对真实异质性的刻画；

· 外部验证队列规模有限，且主要来自中国患者，扫描仪、染色方案等因素的影响尚未系统评估；

· 研究为回顾性设计，模型能否指导具体治疗选择，仍需前瞻性、多中心研究证实。

它更像一位“侦察兵”，先用便宜的手段把高风险人群筛出来，再决定谁需要更贵的检测——补充而非替代，这正是精准医学最务实的落地路径。

回到开头的问题：肿瘤的“乱”，现在真的能被一张切片“看穿”了吗？

这项研究给出的答案是：至少能看穿相当大的一部分。基因测序告诉我们肿瘤“内部写了什么”，而 AI 读片告诉我们“外形上露出了什么马脚”——两者互相印证，恰恰是未来精准肿瘤学的方向。

对普通读者而言，值得记住的判断是：判断一项医学 AI 研究值不值得信，可以看四件事——是否经过独立外部队列验证、模型是否可解释、结论是否与生物学机制吻合、以及它能否用常规临床资源落地。这项研究，四项都占了。

（本文为论文解读，AI参与创作，不构成诊疗建议；如有就医需求请咨询专业医生。）

来源：“齐鲁医院肿瘤内科”微信公众号

告诉小伙伴