PathoGraph：基于图结构的病理知识标准化表征方法助力AI驱动病理学发展

病理学数据中蕴含的关键知识长期处于隐式碎片化状态，制约了AI技术在精准医疗中的应用。西安交通大学团队创新性提出PathoGraph图结构表征方法，通过Pathology Entity Graph、Pathology Phenotype Graph和Pathology Diagnosis Graph三层次模型，系统整合HE/IHC切片和病理报告中的多尺度病理实体、表型特征及诊断逻辑。研究证实该方法可实现自动化大规模构建，提升深度学习模型性能（如BRACS数据集分类准确率提升），并通过HER2定量分析、淋巴瘤亚型鉴别等案例验证临床价值。相关成果发表于《Scientific Data》，为构建FAIR（可发现、可访问、可互操作、可重用）病理知识库奠定基础。

　　

病理学作为医学诊断的"金标准"，其核心知识隐藏在HE染色切片、免疫组化(IHC)图像和病理报告的复杂数据中。尽管人工智能(AI)技术已开始应用于计算病理学领域，但病理知识的隐式表达（如"非典型细胞"等专业描述）和跨模态碎片化分布（如图像特征与文本诊断逻辑割裂），严重阻碍了AI模型的深度应用。这种"数据富集但知识贫乏"的现状，使得现有技术难以系统捕捉疾病的多尺度特征（从蛋白质表达到组织架构）和病理医生的诊断思维过程。

西安交通大学计算机科学与技术学院联合陕西省肿瘤医院等机构的研究团队，在《Scientific Data》发表了题为"PathoGraph: A Graph-Based Method for Standardized Representation of Pathology Knowledge"的突破性研究。该团队开发的PathoGraph创新性地采用图结构建模病理知识，通过三层架构实现从微观实体到诊断逻辑的全链条表征：基础层Pathology Entity Graph描述肿瘤细胞、细胞器等病理实体及其形态学参数（如核形状因子）；中间层Pathology Phenotype Graph整合单细胞表型（如HER2膜染色）、多细胞表型（如甲状腺癌滤泡背靠背排列）及定量指标（如黏液含量百分比）；顶层Pathology Diagnosis Graph则还原病理医生的鉴别诊断过程（如淋巴瘤亚型排除法）。配套开发的PathoML标记语言基于OWL（Web Ontology Language）标准，支持病理知识的机器可读存储与交换。

关键技术包括：1）基于BiomedParse和CellViT的病理实体自动分割与特征提取；2）GraphSAGE+SAGPooling图神经网络架构验证知识表征有效性；3）SPARQL查询实现HER2状态定量评估（如膜染色完整度θ/2π公式计算）；4）描述逻辑（Description Logic）推理引擎支持自动诊断决策。

Pathology Entity Graph验证
在BRACS乳腺癌数据集上，自动构建的病理实体图包含3,891个肿瘤区域节点，通过hasComponent关联12,647个肿瘤细胞核节点，并量化核面积、圆形度等5种形态参数。相比传统图像分块图，采用病理实体图的模型在恶性/非典型/良性分类任务中F1-score提升9.8%，证明生物医学先验知识对AI模型的增强作用。

临床转化案例
HER2免疫表型分析案例中，PathoGraph精确记录75%肿瘤细胞呈现完整膜染色（3+状态），较传统人工判读更具可追溯性。在宫颈腺癌亚型诊断中，系统通过ELK推理器自动匹配凋亡小体（apoptotic body）和顶端核分裂（apoptical mitosis）表型与HPVA（人乳头瘤病毒相关腺癌）诊断标准，实现与病理专家一致的亚型判定。

这项研究首次建立了覆盖病理全链条知识的标准化表征体系，其创新性体现在三方面：知识维度上突破传统组织学分类框架，将细胞形态参数（如核形状因子）、空间排列模式（如滤泡背靠背）等异构特征统一为图节点；技术路径上开创"病理实体→表型网络→诊断逻辑"的层级建模方法，支持从分子水平到诊断决策的跨尺度关联；应用生态上通过PathoML实现与现有生物医学本体（如UniProtKB、Reactome）的互操作，为构建病理领域"AlphaFold"奠定基础。正如讨论部分指出，随着多模态基础模型（如CONCH）的发展，PathoGraph有望成为连接原始病理数据与临床AI应用的"知识中间件"，推动计算病理学从特征工程向知识驱动范式转变。