在癌症诊断和癌症亚型分类中,组织病理学图像信息是不可或缺的参考依据。近年来,人工智能(AI)技术的发展突飞猛进,其在临床医学中的应用也更加深入。例如,已经有专门的深度神经网络用于癌细胞鉴定、组织学和分子亚型分类、预后评估以及预测治疗反应。此外,最先进的计算病理学分析还揭示了临床重要分子标记物的定量形态学信号。这些前期的研究证明了AI方法在识别人眼难以察觉的细胞特征方面的潜力。
但现有方法主要集中于单独解决每个特定的诊断任务,难以获得涵盖不同组织微环境异质性的全面病理表征;此外,由单一来源图像训练的AI模型在应用于不同病理实验室处理的图像时,往往会过度拟合训练数据分布,从而导致性能大幅下降。因此,这些限制阻碍了最先进的AI模型在基于组织病理学图像的评估中的有效应用。
近日,哈佛医学院、腾讯AI实验室等单位的研究人员合作在Nature发表了题为“A pathology foundation model for cancer diagnosis and prognosis prediction”的文章,报道了新建立的CHIEF模型(Clinical Histopathology Imaging Evaluation Foundation,临床组织病理影像评估基础),这是一个通用的机器学习框架,为各种病理诊断和预测任务提供了基础。CHIEF在癌症检测、肿瘤起源表征、基因组突变鉴定和生存预测方面的能力也得到了验证。总之,CHIEF能够进行系统的显微特征识别,并为可靠的病理评估奠定基础。
图4. CHIEF可预测癌症患者的生存结局 结语
综上所述,研究团队联合开发了CHIEF这一通用的、泛癌症分析的深度学习框架,用于定量病理评估。分析结果显示,CHIEF能够成功地表征肿瘤起源、患者基因组图谱,并可将患者分为长期生存组和短期生存组。此外,对来自多个中心通过不同的扫描仪进行数字化处理,并从不同的临床程序(包括活检和手术切除)中获得的不同病理样本,CHIEF具有很强的适应性。CHIEF提供的准确、可靠、快速的病理样本评估将有助于癌症个性化治疗的发展。 文章通讯作者、哈佛医学院生物医学信息学系助理教授Kun-Hsing Yu表示:“我们的目标是创建一个灵活、多功能、类似 ChatGPT的AI大模型,以进行全方位的癌症评估。我们的模型在多种癌症的检测、预后和治疗反应评估等多项任务中表现出色。”
论文原文:
Wang, X., Zhao, J., Marostica, E. et al. A pathology foundation model for cancer diagnosis and prognosis prediction. Nature (2024). https://doi.org/10.1038/s41586-024-07894-z.