MorpholTH：基于组织形态学的肿瘤内异质性解析框架——利用深度学习从常规H&E切片推断ccRCC分子进化轨迹

为解决多区域测序成本高、可扩展性差的问题，研究人员开发了MorpholTH框架，通过自监督深度学习量化H&E切片表型多样性，成功捕获ccRCC中血管架构、核分级等关键特征，并证明形态异质性与SETD2等驱动基因亚克隆改变显著相关。该研究为利用常规病理切片替代遗传学分析提供新范式，支持精准肿瘤学发展。

肿瘤进化通过产生遗传和表观遗传特性不同的亚克隆，使癌症能够适应选择压力并更具侵袭性，这构成了肿瘤学的重大挑战。虽然多区域测序一直是研究肿瘤进化及其导致的肿瘤内异质性（ITH）的主要手段，但其高昂成本、资源密集性和有限的可扩展性严重阻碍了临床转化。更棘手的是，即便在科研场景中可行，如何对肿瘤进行采样以有效捕获ITH并研究其进化动态仍存在巨大不确定性，尤其对于突变率高的大型肿瘤而言，全面测序几乎不现实。

在此背景下，来自UT Southwestern Medical Center等机构的研究团队在《Genome Medicine》发表了一项突破性研究，提出MorpholTH框架——一种基于常规苏木精-伊红（H&E）染色组织病理切片推断分子ITH的创新方法。该研究通过量化表型多样性，首次实现了从形态学角度无偏倚地解析肿瘤异质性。

研究人员为开展此研究采用了多项关键技术：首先利用组织微阵列（TMA）训练集（785个核心，421例ccRCC患者）通过自监督学习训练Vision Transformer编码器；其次开发了基于支持向量机（SVM）的可分离性分析框架，并引入空间连续性基线和阴性对照以控制空间自相关；最后整合多区域全外显子组测序数据（3例患者26个样本）进行系统验证。特别值得注意的是，所有分析均基于FFPE组织块的标准H&E染色切片，扫描分辨率统一为20倍（0.5微米/像素）。

模型开发与验证

研究团队设计了一项前置检索任务来指导MorpholTH编码器的开发，通过比较BYOL、Triplet和MoCov2等架构，最终选择BYOL训练策略和Vision Transformer编码器作为最优配置。验证实验表明，该编码器不仅能准确区分相同TMA核心中的 patches，还能识别不同核心间形态相似的区域，如相同核分级区域在t-SNE可视化中自然聚集（图1A）。值得注意的是，单个核心内的异质性区域（如肿瘤与间质）也能被精确区分，证明模型具有捕捉细微形态差异的能力。

形态学可区分性量化框架

研究人员开发了基于线性SVM分类器的可分离性度量体系，并创新性地设立了两类基线对照：空间连续性基线（保持组织区域空间结构）和真阴性对照（随机分割真实类别）。根据这些基线，将可分离性分为完全可分离（超过连续性基线95百分位）、部分可分离（介于两基线95百分位之间）和不可分离三个等级。

应用该框架的首个验证表明，MorpholTH在92%的TCGA KIRC切片中能完全区分肿瘤与非肿瘤区域（图2B）。更重要的是，该框架在识别临床相关形态特征方面表现突出：95%的案例中能完全区分不同血管架构类别（小型/大型巢状、出血滤泡 vs. 肺泡状/小梁状/乳头状 vs. 实性结构）；同时也能完全区分同一切片内的低级别（1-2级）和高级别（3-4级）核分级区域（图2D-E）。这些发现证明MorpholTH能综合多种形态学特征形成统一的相似性度量。

驱动基因亚克隆改变的形态学检测

研究团队通过匹配H&E和免疫组化（IHC）切片，系统分析了BAP1、SETD2和PBRM1三种关键驱动基因的状态变化与形态学关联。结果显示58%的案例呈现完全可分离性（WT与缺失区域形态显著不同），33%为部分可分离，仅8%不可分离（图3B）。其中BAP1的形态学效应最强，SETD2次之，PBRM1最弱。

空间约束聚类分析揭示了一个关键现象：MorpholTH衍生的形态学簇在很大程度上尊重遗传边界（图3C）。对于BAP1和SETD2，形态学簇很少跨越WT/缺失边界，这种边界 adherence 具有统计学显著性。这表明形态学上 distinct 的区域通常对应着潜在的遗传亚克隆。

形态相似性反映进化轨迹

对多区域测序数据的分析揭示了形态学与遗传进化之间的深刻联系。患者A早期分歧产生的低级别克隆（T1a-A9）在形态和遗传上都呈现明显 distinct；含有LRP1B和RNF213突变的分支（T1e-A3, T1f-A3）表现出相似形态；而包含两个转移灶（M3a-A12, M3b-A4 with AXIN2 and RGS7 mutations）的进化枝在遗传和形态上都形成独立聚类（图4A）。Mantel检验显示形态相似性与遗传相似性显著相关（r=0.56, p<1e-4）。

特别值得注意的是，研究发现了两种偏离模式：遗传差异显著但形态相似的样本（如患者C中的T1e-A11），提示形态 convergent evolution；而形态差异巨大但遗传分歧小的样本（如11个TSC1状态不同的样本对），表明单一重要遗传事件可能引发显著形态改变。这些发现揭示了肿瘤进化中遗传与形态变化的复杂关系。

编码器选择的影响

研究表明MorpholTH的分析框架对初始编码器选择具有较强鲁棒性。与病理基础模型UNI(v1)的比较显示，尽管patch级相似性仅中度相关（Pearson's r=0.61），但经过可分离性框架处理后一致性显著提高（r=0.93）。在肿瘤/非肿瘤、分级、架构、驱动基因状态等多种比较中，生物学解释保持高度一致。唯一的例外是形态引导采样，ccRCC专用训练的编码器在BAP1检测方面表现更优。

研究结论与意义

该研究开发的MorpholTH框架首次实现了从常规H&E切片无偏倚地解析肿瘤内异质性。在ccRCC中的应用证明，形态学 distinct 区域通常对应遗传亚克隆，且形态相似性能反映进化相关性。研究提出的每切片异质性评分与肿瘤进展（分级和M分期）正相关，并能独立预测无进展生存期（PFS），在多变量Cox分析中超越核分级的预测价值（p=0.019）。

更重要的是，研究证明形态学指导的采样能显著提高遗传异质性捕获效率：对于BAP1和SETD2，仅需2个样本就能使捕获WT和缺失区域的概率增加一倍以上。这为解决多区域测序成本高的问题提供了实用解决方案。

该研究的局限性在于样本量相对较小，特别是多区域测序数据仅来自3例患者。未来需要在TRACERx Renal等更大规模数据集中验证这些发现。同时，将形态学分析与空间转录组学结合，有望揭示更广泛的分子通路与形态学关联。

MorpholTH框架的普适性使其可轻松扩展至其他癌症类型，通过使用泛癌训练的基础模型作为编码器，并采用染色标准化技术减轻切片间染色差异的影响。这不仅为肿瘤进化研究提供了新工具，也为实现常规病理切片的深度数字化挖掘奠定了坚实基础，最终推动精准肿瘤学向更高层次发展。