下载掌阅APP，畅读海量书库
立即打开
数字病理图像能够从细胞层面反映丰富的肿瘤生存的微环境信息，这些特征反映了肿瘤基态的生态系统特性，而肿瘤基态的生态系统特征同时又与后续肿瘤药物治疗的疗效以及最后的预后相关联。因此数字病理图像为肿瘤的分级诊断及患者的分级治疗提供了重要的参考，同时也是连接肿瘤微观分子级别信息与宏观全局信息的桥梁之一。2017年美国食品和药品监督管理局（FDA）认证了数字病理图像系统在原发性肿瘤诊断中的应用，开启了数字病理图像在肿瘤诊断、疗效预测与预后分析的新纪元，同时也为临床病理学诊断提供了更多的契机与信息来源。
在临床研究中，数字病理图像已经有多项可量化的视觉性数字病理特征被证实与肿瘤的治疗疗效及预后相关联。如通过评估乳腺癌的腺管形成比例、细胞核的多形性与核分裂计数得到的乳腺癌的组织学分级，肿瘤浸润淋巴细胞密度与肿瘤基质占比。数字病理量化特征一般从组织层面与细胞层面两个方面着手：在组织层面勾画出癌灶区域、基质区域、浸润区域与坏死区域等，在细胞层面标记出细胞的类别、位置与形状，之后通过量化计算不同组织区域的占比，不同细胞的个数与占比，得到肿瘤基质比、肿瘤浸润淋巴细胞密度、核分裂计数、组织学分级等病理组学特征。然而前期直接通过人工目视勾画评估的数字病理特征需要消耗病理专家大量的时间与精力，特别是近些年数字病理系统数据库的构建带来了大量未经专家评估或评估不完全的数字病理图像，同时也需要挖掘新的与预测疗效和预后的病理组学特征。
随着深度学习在视觉任务的快速发展，其能够提高计算特别是并行计算的效率及准确快速推理并很好地适应数字病理图像与日俱增的海量数据集。这使得我们可以借助深度学习的工具来快速高通量地自动化提取病理组学特征。Han等利用深度学习，对浸润性乳腺癌的病理切片进行分类预测，预测切片是否含有肿瘤及肿瘤浸润淋巴细胞，并构建出全局的肿瘤浸润淋巴细胞（TILs）图，通过自动量化得到的TILs值显示与Her2 +乳腺癌预后显著相关。Zhao等通过人工智能方法对直肠癌的切片进行多分类，量化计算直肠癌的病理图像肿瘤基质比，结果显示，通过人工智能方法得到的肿瘤基质比与直肠癌的总体生存显著相关，并同时能够加速肿瘤基质比的计算。而对于更复杂的视觉性病理特征，如肿瘤增殖分数的评估，Ramin等利用公开的肿瘤增殖评估挑战赛（TUPAC16）大数据，为肿瘤增殖分数的评估构建出更复杂的深度学习模型，并为我们提供了更加准确、可靠、快速的评估方法。同时，人工智能在病理组学特征的构建步骤上呈现出复杂化，构建维度上呈现高维化，构建粒度上呈现出精细化，这些新的病理组学特征与疗效预测的关系亦有进展。Ellery通过组织分割先将肿瘤分隔出来，然后通过随机采样，将肿瘤的高维特征进行平均池化转化为患者级别的特征，并在后续的生存分析和多中心数据集上显示出其与直肠癌预后的相关性。而Lu通过更细粒度的特征图构建，其在非小细胞肺癌的病理图像上，用U-Net进行细胞核细粒度的分割，并通过分割好的细胞核空间位置与形态学信息构建出细胞空间分布图，这些细胞图的特征与非小细胞肺癌的5年总生存期息息相关。近期，随着多组学的发展，病理图像不仅能与微观分子事件相关联，同时还能与肿瘤宏观表象相关联，如数字病理图像与直肠癌的微卫星不稳定性的关系，以及MRI与TILs的关系。这种对于病理图像多组学的探索，拓宽了病理组学在医学研究的临床应用，是未来肿瘤病理组学研究的重要方向之一。
伴随临床对于精准化、个性化诊疗的需求不断增加，基于单纯影像信息或病理信息的诊断在较为复杂的临床肿瘤诊疗需求上存在着局限性，如精准患者分级管理、疗效预测、复发及转移预测等。越来越多的研究者在报告、学术论文及专家共识中提出了基于多模态、多尺度肿瘤图像共同完善肿瘤异质性描述，进而构建更加精准的预测模型的科学性和必要性。将肿瘤的影像与病理图像的结合并纳入量化分析过程契合专家从宏观到微观评估肿瘤的需求。该过程将肿瘤的解剖学组织结构信息、纹理信息、形态学信息等宏观描述肿瘤异质性的表征信息与肿瘤基线的生态系统特性、病理学微环境、细胞学表征等微观描述肿瘤异质性的表征信息结合，构建“影像—病理”的肿瘤异质性描述通路。2020年，Shao等在Liu等发现的与直肠癌新辅助治疗疗效相关的影像组学特征的基础上，纳入直肠癌活检病理图像中的细胞核量化特征，通过机器学习方法在特征水平对影像和病理的图像特征信息进行融合，对局部晚期直肠癌新辅助患者实现了更为精准的治疗前疗效预测。2022年，Feng等基于影像与病理联合分析的思想，通过融合不同的基于单一尺度肿瘤图像特征的预测指标实现影像与病理图像联合分析，实验结果同样论证了影像与病理联合分析相比较单纯影像的优势。
影像与病理联合分析算法的一般流程（图3-2-1）为：①使用人工勾画或基于专家监督的自动分割算法分别对影像内的肿瘤区域以及数字病理图像内的肿瘤细胞区域进行感兴趣区域分割（癌灶）和多示例分割（肿瘤细胞）；②对影像中的肿瘤区域提取量化的图像特征，方法包括但不局限于影像学专家定义特征、影像组学特征、深度卷积神经网络特征等；③借助统计学方法或机器学习模型的关联性特征筛选；④基于多尺度肿瘤图像特征的影像与病理信息融合及模型构建；⑤最后使用统一的评价标准对模型的准确性和鲁棒性进行评估，比较影像与病理联合分析方法带来的实际患者获益提升，并结合检验结果进行模型的调整与优化。
图3-2-1 影像与病理联合分析方法流程
在我国，大部分直肠癌患者首次就诊时已是中晚期。据统计，确诊为直肠癌的患者中，约70%为局部进展期直肠癌（locally advanced rectal cancer，LARC）。局部进展期直肠癌患者的标准治疗方案为新辅助放化疗（neoadjuvant chemoradiotherapy，nCRT）后行全直肠系膜切除术（total mesorectal excision，TME），必要时行术后辅助化疗。新辅助放化疗有助于肿瘤降期，从而提高肿瘤切除率，增加手术可能性及低位直肠癌的保肛率，降低局部复发率。但是，新辅助治疗后仅有15%～27%的患者可以达到病理完全缓解（pathological complete response，pCR），超过50%的患者并不能从新辅助放化疗中获得可观的收益。2020年，Tian等从多参数MRI和活检苏木精-伊红染色（hematoxylin and eosin staining，HE染色）切片的全切片图像（whole slide image，WSI）中分别提取多尺度量化图像特征进行影像与病理图像联合分析，基于该分析方法的预测模型在多中心验证中展现了对直肠癌新辅助治疗后肿瘤退缩等级（tumor regress grade，TRG）较为准确的分级预测，多中心分级预测的准确率最高达87.66%，并显著高于仅基于影像或病理图像的模型。该模型将影像的宏观信息与活检病理的微观信息结合，在治疗前对局部晚期直肠癌新辅助治疗患者进行疗效预测，有助于临床提前预判患者的治疗收益，及时对治疗方案进行优化与调整，提升患者预后效果。此外，在局部进展期直肠癌术前新辅助治疗病理完全缓解预测的问题上，另一项研究通过多中心回顾性数据和前瞻性数据，进行了更加全面与深入的影像与病理图像联合分析方法检验。验证结果显示，影像与病理图像联合分析方法显著提高了模型的准确率与鲁棒性，针对新辅助治疗中的pCR患者的预测模型，AUC均能达到80%以上。在乳腺癌新辅助疗效预测的多模态研究中，将微观切片级别的病理图像聚合成患者级别的微观病理特征，结果显示，其在外部验证集能结合宏观影像特征及临床特征，模型更能准确地区分出pCR与非pCR患者。上述研究展现了将宏观影像与微观病理图像结合有希望针对当前具有挑战性的临床问题构建更为精准、可靠的预测模型，为临床提供更加有效的辅助个性化治疗工具。
（刘振宇 万向波 邵立智 李豹）