當(dāng)前主流病理AI系統(tǒng)大多依賴深度學(xué)習(xí)自動(dòng)學(xué)習(xí)得到的潛在表征（latent representations）進(jìn)行預(yù)測(cè)。這些表征能夠有效捕獲病理圖像中的復(fù)雜信息，因此具有強(qiáng)大的預(yù)測(cè)能力。然而，由于其缺乏明確的病理學(xué)含義，人們往往難以理解模型究竟學(xué)到了什么，也難以將這些表征直接轉(zhuǎn)化為可驗(yàn)證的生物學(xué)知識(shí)。因此，盡管病理AI的預(yù)測(cè)性能持續(xù)提升，其科學(xué)發(fā)現(xiàn)能力卻并未同步發(fā)展。如何構(gòu)建既具有預(yù)測(cè)能力、又能夠支持生物學(xué)理解的病理信息表征，成為計(jì)算病理學(xué)領(lǐng)域的重要挑戰(zhàn)。

2026年6月11日，清華大學(xué)精密儀器系孔令杰課題組聯(lián)合德國(guó)德累斯頓工業(yè)大學(xué)（TU Dresden）Jakob Kather教授團(tuán)隊(duì)等單位，在Cancer Cell發(fā)表題為Spatial Biomarker Discovery via Interpretable Semantic Learning in Histopathology的研究論文。研究團(tuán)隊(duì)提出了一種全新的病理人工智能框架——PathPrism，通過(guò)將病理圖像轉(zhuǎn)化為由空間生物標(biāo)志物（Spatial Biomarkers）構(gòu)成的可解釋表征（Interpretable Representation），建立了一種透明、可量化且具有明確病理學(xué)意義的新型表征方式。

與傳統(tǒng)病理AI關(guān)注如何從潛在表征中獲得更高預(yù)測(cè)性能不同，PathPrism關(guān)注一個(gè)更加基礎(chǔ)的問(wèn)題：應(yīng)該如何利用AI表征病理信息？

在PathPrism框架中，病理圖像不再被編碼為難以解釋的潛在表征，而是首先被解析為具有明確病理學(xué)意義的組織語(yǔ)義，例如腫瘤細(xì)胞、癌相關(guān)基質(zhì)、淋巴細(xì)胞、黏液、脂肪組織以及正常組織等關(guān)鍵組織成分。隨后，研究團(tuán)隊(duì)進(jìn)一步量化這些組織類型之間的空間關(guān)系、組織復(fù)雜度和拓?fù)浣Y(jié)構(gòu)，最終構(gòu)建出由數(shù)百個(gè)空間生物標(biāo)志物組成的“空間生物標(biāo)志物譜（Spatial Biomarker Spectrum）”。

這種空間生物標(biāo)志物譜構(gòu)成了一種新的病理信息表征。與傳統(tǒng)潛在表征不同，每一個(gè)特征都對(duì)應(yīng)具體的組織結(jié)構(gòu)或空間組織模式，既能夠被人工智能模型利用，也能夠被病理學(xué)家直接理解、驗(yàn)證和研究。因此，PathPrism建立了一種AI與病理學(xué)家共享的病理信息表征語(yǔ)言，使病理圖像能夠在統(tǒng)一框架下同時(shí)支持預(yù)測(cè)、解釋、生物標(biāo)志物發(fā)現(xiàn)以及機(jī)制探索。

圖1 PathPrism流程

為了驗(yàn)證這一表征體系的有效性，研究團(tuán)隊(duì)分析了來(lái)自11個(gè)國(guó)際隊(duì)列、7000例結(jié)直腸癌患者的病理數(shù)據(jù)。結(jié)果表明，基于空間生物標(biāo)志物表征構(gòu)建的透明模型，在患者預(yù)后預(yù)測(cè)方面達(dá)到了與當(dāng)前先進(jìn)Foundation Models和深度學(xué)習(xí)模型相當(dāng)?shù)男阅芩健Ｍ瑫r(shí)，研究團(tuán)隊(duì)系統(tǒng)發(fā)現(xiàn)了大量與患者生存、微衛(wèi)星不穩(wěn)定性（MSI）、BRAF和TP53基因突變以及輔助化療反應(yīng)相關(guān)的空間生物標(biāo)志物。

值得強(qiáng)調(diào)的是，這些發(fā)現(xiàn)不再隱藏于黑盒模型內(nèi)部，而能夠被直接量化和研究。例如，研究發(fā)現(xiàn)腫瘤細(xì)胞、黏液區(qū)域以及免疫細(xì)胞之間的空間組織模式與患者治療獲益存在顯著關(guān)聯(lián)。這表明，腫瘤微環(huán)境中的空間結(jié)構(gòu)不僅攜帶重要的生物學(xué)信息，也可能成為未來(lái)精準(zhǔn)治療的重要依據(jù)。

在此基礎(chǔ)上，研究團(tuán)隊(duì)進(jìn)一步開(kāi)發(fā)了VirtualWSI（Virtual Whole Slide Image）框架，使研究人員能夠在數(shù)字病理空間中對(duì)組織結(jié)構(gòu)進(jìn)行可控?cái)_動(dòng)，并觀察空間生物標(biāo)志物如何隨之變化。通過(guò)這種方式，病理圖像不再只是觀察疾病的窗口，而成為開(kāi)展“虛擬實(shí)驗(yàn)”的平臺(tái)。與此同時(shí)，由于所有空間生物標(biāo)志物均具有明確的病理學(xué)含義，PathPrism還能夠與大語(yǔ)言模型結(jié)合，自動(dòng)提出與發(fā)現(xiàn)的空間生物標(biāo)志物相關(guān)的潛在科學(xué)假說(shuō)，從而進(jìn)一步推動(dòng)AI輔助科學(xué)發(fā)現(xiàn)。

過(guò)去十年，病理AI的發(fā)展主要圍繞如何獲得更強(qiáng)的預(yù)測(cè)能力展開(kāi)；而PathPrism則展示了另一種可能——通過(guò)構(gòu)建可解釋表征，使AI不僅能夠預(yù)測(cè)病理信息，還能夠幫助研究人員理解病理信息背后的組織學(xué)規(guī)律。從潛在表征到空間生物標(biāo)志物表征，從黑盒預(yù)測(cè)到透明發(fā)現(xiàn)，從結(jié)果輸出到機(jī)制探索，PathPrism展示了一種新的計(jì)算病理學(xué)范式。它并非在已有潛在表征之上增加解釋，而是用空間生物標(biāo)志物表征替代潛在表征本身，使預(yù)測(cè)、發(fā)現(xiàn)、假設(shè)生成和虛擬實(shí)驗(yàn)?zāi)軌蚪⒃谕环N可解釋表征之上。

未來(lái)，研究團(tuán)隊(duì)計(jì)劃將PathPrism擴(kuò)展至更多癌種，并進(jìn)一步結(jié)合空間多組學(xué)、三維病理學(xué)以及多模態(tài)數(shù)據(jù)分析技術(shù)。研究人員希望，通過(guò)建立統(tǒng)一且可解釋的病理信息表征體系，讓人工智能不僅成為預(yù)測(cè)工具，更成為推動(dòng)生物醫(yī)學(xué)科學(xué)發(fā)現(xiàn)的重要基礎(chǔ)設(shè)施。

該研究是孔令杰課題組在病理AI生物標(biāo)志物發(fā)現(xiàn)方向上的又一項(xiàng)重要成果。此前，團(tuán)隊(duì)在Nature Machine Intelligence發(fā)表PathFinder研究，基于病理圖像的語(yǔ)義分割信息學(xué)習(xí)和挖掘與患者預(yù)后相關(guān)的空間組織特征，展示了從可解釋組織語(yǔ)義中發(fā)現(xiàn)病理生物標(biāo)志物的潛力。此次發(fā)表于Cancer Cell的PathPrism研究，在PathFinder工作的基礎(chǔ)上進(jìn)一步深化和拓展：從特定任務(wù)中的空間特征挖掘，推進(jìn)到系統(tǒng)構(gòu)建由數(shù)百個(gè)空間生物標(biāo)志物組成的可解釋表征體系。PathPrism進(jìn)一步將組織語(yǔ)義、空間拓?fù)洹⑼该鹘！C(jī)制假設(shè)生成和虛擬實(shí)驗(yàn)探索整合到統(tǒng)一框架中，使病理AI不僅能夠發(fā)現(xiàn)與臨床結(jié)局相關(guān)的空間模式，也能夠以可量化、可解釋和可驗(yàn)證的方式支持生物標(biāo)志物發(fā)現(xiàn)和機(jī)制研究，為可解釋病理AI的發(fā)展提供了新的研究范式。

原文鏈接：https://www.cell.com/cancer-cell/fulltext/S1535-6108(26)00259-X

制版人： 十一

學(xué)術(shù)合作組織

（*排名不分先后）

戰(zhàn)略合作伙伴

（*排名不分先后）

轉(zhuǎn)載須知

【非原創(chuàng)文章】本文著作權(quán)歸文章作者所有，歡迎個(gè)人轉(zhuǎn)發(fā)分享，未經(jīng)作者的允許禁止轉(zhuǎn)載，作者擁有所有法定權(quán)利，違者必究。

BioArt

Med

Plants

人才招聘

點(diǎn)擊主頁(yè)推薦活動(dòng)

關(guān)注更多最新活動(dòng)！