AI揭示良性前列腺活检中隐藏的肿瘤指示性形态学改变：早期诊断前列腺癌的新突破

本研究针对前列腺特异性抗原(PSA)检测假阴性率高、穿刺活检易漏诊临床显著前列腺癌(PCa)的难题，通过人工智能(AI)分析232例初始诊断为良性的穿刺活检切片，发现肿瘤指示性正常组织(TINT)的细微形态学改变。采用弱监督学习算法CLAM，模型在预测30个月内进展为ISUP>1级PCa时达到AUC 0.82，识别出基质胶原改变和腺上皮异常等特征。该成果为PCa早期诊断提供了新型生物标志物，相关数据已开源共享。

　　

前列腺癌诊断的困境与突破

全球每年140万男性罹患前列腺癌(PCa)，现有诊断体系依赖PSA检测结合穿刺活检，但存在显著局限性：PSA特异性低导致假阳性率高，而系统穿刺可能遗漏¹/³的临床显著肿瘤。更棘手的是，当活检针错过肿瘤灶时，病理学家在看似良性的组织中也难觅癌踪。这一诊断盲区促使科学家思考：肿瘤是否会在远处良性组织中留下"分子足迹"？

肿瘤指示性正常组织的科学启示

"癌症场效应"理论认为，致癌因素可导致整个器官的基因改变。Bergh团队此前发现，前列腺肿瘤会指令周围正常组织协助其生长，这种肿瘤指示性正常组织(TINT)的形态与分子改变与肿瘤侵袭性相关。基于此，Eduard Chelebian团队提出大胆假设：AI能否从初始阴性活检中解码这些隐藏的TINT特征，预测后续癌症发生？

关键技术方法

研究纳入瑞典于默奥大学医院1997-2016年232例PSA升高但初始活检阴性患者，匹配年龄、PSA水平和诊断年份后分为两组：30个月内确诊PCa者与8年以上未癌变者。采用自监督预训练的ResNet18提取H&E切片特征，改进CLAM算法实现弱监督学习（仅需患者级标签），通过UMAP降维可视化关键形态特征。主要评估指标为区分ISUP>1级癌症的AUC值。

模型性能验证

测试集显示，模型在切片水平AUC达0.81，患者水平提升至0.82。特别值得注意的是，对后续确诊ISUP2-3级病例的识别灵敏度达92%，但对ISUP4-5级相对较低，研究者推测这可能与高级别肿瘤生长过快、尚未在远处组织产生明显TINT效应有关。

形态学特征解析

UMAP分析揭示两大关键特征：基质区表现为胶原增生和平滑肌细胞减少，类似肿瘤相关反应性基质；腺上皮区则出现微细结构异常。这些发现印证了先前关于TINT中雄激素受体减少、透明质酸增加的报道，为"肿瘤-微环境"互作理论提供新证据。

临床转化价值

该研究首次证明AI可从常规H&E切片中提取TINT特征，实现三大突破：

1. 1.

   诊断层面：弥补PSA和MRI的不足，尤其适用于活检阴性但临床高度怀疑的病例

2. 2.

   生物学层面：揭示PCa通过改变整个前列腺基质架构促进进展的机制

3. 3.

   技术层面：建立弱监督学习分析病理大数据的范式

局限与展望

当前研究受限于单中心回顾性设计，且未区分MRI靶向穿刺与系统穿刺样本。未来需在以下方向突破：纳入多中心前瞻性队列验证、整合空间转录组学精确定位TINT特征、探索与PSA异构体的联合诊断策略。

这项发表于《Scientific Reports》的研究开辟了PCa早期诊断新路径，其揭示的"肿瘤远距调控"现象更为实体瘤生物学研究提供全新视角。当AI学会解读肿瘤留下的"分子密码"，或许将彻底改变癌症筛查的时空维度。