基于注意力多实例学习的骨髓涂片深度学习预测急性髓系白血病IDH1突变状态

《npj Precision Oncology》：Deep learning predicts IDH1 mutation status in acute myeloid leukemia from bone marrow smears

　　

急性髓系白血病（Acute myeloid leukemia, AML）伴异柠檬酸脱氢酶1（isocitrate dehydrogenase 1, IDH1）突变适用于靶向治疗，这凸显了对其进行可靠鉴定的必要性。研究人员开发了一种基于注意力的多实例学习（attention-based multiple-instance learning, MIL）模型，利用来自德国和美国四个中心436例AML患者的骨髓涂片全切片图像（whole-slide images, WSI）预测IDH1突变状态，实现了0.81的平均合并受试者工作特征曲线下面积（receiver operating characteristic area under the curve, ROC-AUC）。在顶层切片（top tile）分析中，IDH1的模型预测与未成熟的白血病表型相关。

急性髓系白血病（Acute myeloid leukemia, AML）是一类具有高度遗传异质性的血液系统恶性肿瘤。随着下一代测序技术（next-generation sequencing, NGS）的发展，研究者在AML中发现了众多反复发生基因改变，但仅有少数存在获批的靶向治疗药物。异柠檬酸脱氢酶1（isocitrate dehydrogenase 1, IDH1）基因的突变在AML中较为常见，发生率约为8%。该类突变通过损害正常细胞代谢，导致致癌代谢物2-羟基戊二酸（2-hydroxyglutarate, ₂-HG）积累，进而影响表观遗传调控和细胞分化。IDH1突变具有重要的临床治疗意义，因为选择性抑制剂艾伏尼布（ivosidenib）和奥鲁他西尼布（olutasidenib）已获美国食品药品监督管理局（FDA）批准用于治疗复发或难治性AML，其中艾伏尼布亦获批用于一线治疗。尽管分子诊断技术不断进步，但在部分资源有限地区，基因检测的可及性仍受限。与此同时，基于深度学习的计算机视觉技术已在血液形态学中得到应用，研究者利用该技术在骨髓涂片中识别出与NPM1、FLT3内部串联重复（internal tandem duplication, ITD）、CBFB::MYH11、RUNX1::RUNX1T1融合及t(15;17)/PML-RARA等改变相关的视觉数字生物标志物（digital biomarkers）。然而，针对IDH1突变的形态学预测研究仍属空白，而IDH1突变具有明确的治疗意义。因此，开发一种基于常规骨髓形态学的辅助筛查工具，对于优化分子检测路径、支持低资源环境下的诊断具有重要临床价值。

研究人员利用来自德国与美国的四个中心共436例初诊AML患者（排除急性早幼粒细胞白血病）的525张骨髓涂片全切片图像（whole-slide images, WSI），开展了这项回顾性多中心研究，旨在构建并验证一种可从骨髓涂片预测IDH1突变状态的深度学习模型。研究的核心结论是：基于注意力的多实例学习（attention-based multiple-instance learning, MIL）模型能够在幻灯片级别有效预测IDH1突变状态，平均合并受试者工作特征曲线下面积（receiver operating characteristic area under the curve, ROC-AUC）达0.81；高权重切片的分析进一步提示，IDH1突变的形态学关联可能表现为未成熟的白血病表型。该研究表明，基于骨髓形态学的数字生物标志物可作为分子检测的有效辅助手段，尤其在提示进一步分子确认和优化检测优先级方面具有重要应用潜力。

关键技术方法上，研究纳入德累斯顿、俄亥俄州立、慕尼黑MLL及慕尼黑大学医院四个中心共436例初诊AML患者的525张骨髓涂片全切片图像（whole-slide images, WSI），并将IDH1突变型与野生型按约1:1比例富集以平衡训练。研究采用定制U-Net提取感兴趣区域（region of interest, ROI）并排除外周血，经SlideFlow在40×下提取174×174 μm的图块（tile）后，利用血液病学家筛选出的387张高质量图块训练Faster R-CNN自动检测各切片中的高质量图块，每例保留前40张。随后，以弱监督方式训练的视觉Transformer基础版（Vision Transformer-Base, ViT-Base）提取图块级特征，将其最终层的分类（classify, CLS）标记嵌入输入基于注意力的多实例学习（attention-based multiple-instance learning, MIL）模型进行幻灯片级预测。全部模型采用AdamW优化器与交叉熵损失，以患者级三折交叉验证评估并防止数据泄漏。

Patient cohorts and image digitization（患者队列与图像数字化）
该研究共纳入四个中心436例AML患者的525张全切片图像，各中心均按IDH1突变状态进行标注，以变异等位基因分数（variant allele fraction, VAF）2%作为界值区分突变型（IDH1m）与野生型（IDH1wt）。两组患者在原始细胞（blast）计数中位数上无显著差异（61%对61%，p=0.57）。图像采集方面，德累斯顿与慕尼黑大学队列使用Pannoramic Scan II（3DHISTECH）于40×扫描，俄亥俄州立大学队列使用Aperio AT2（Leica）于40×扫描，MLL队列使用CSFA2000-1000（Bionovation）于60×扫描。

Image preprocessing and deep learning framework（图像预处理与深度学习框架）
初步实验采用弱监督图块级分类器，通过均值池化（mean pooling）聚合图块级概率以获得幻灯片级预测。结果显示该方法性能有限，提示IDH1突变的视觉线索稀疏且并非均匀分布于所有图块。因此，研究人员将训练好的弱监督分类模型作为固定特征提取器，在其上构建基于注意力的MIL框架。从ViT-Base的最终Transformer层提取每个图块的CLS标记嵌入，得到768维特征向量；MIL模型据此自适应学习各图块的重要性权重，聚焦具有判别性的图块，同时降低非判别性图块的权重，实现幻灯片级聚合预测。该框架同样采用交叉熵损失与AdamW优化器，超参数通过Optuna框架优化，并与图块级模型保持相同的患者级数据划分。

Attention-based multiple-instance learning model predicts IDH1 mutation status from bone marrow smears（基于注意力的多实例学习模型从骨髓涂片预测IDH1突变状态）
在三折交叉验证中，基于注意力的MIL模型取得了宏平均ROC-AUC为0.8057（95% bootstrap CI，0.744–0.862），各折ROC-AUC分别为0.829、0.815和0.774。与弱监督图块级分类器相比，MIL模型在宏平均F1分数（0.7249对0.6769）、准确率（0.7413对0.7096）、召回率（0.7223对0.6867）和精确率（0.7538对0.7542）上均有所提升。在比较真阳性（true positive, TP）与假阴性（false negative, FN）预测时，两组在突变类型（p.R132C对非p.R132C，Fisher精确检验p=1.00）、VAF中位数（TP: 33.3%；FN: 39.0%；p=0.27）及原始细胞计数中位数（TP: 60.8%；FN: 68.5%；p=0.53）上均未发现显著差异。可解释性分析采用Transformer rollout与梯度加权类激活映射（gradient-weighted class activation mapping, GradCAM），未显示出特定的细胞形态学特征；但在模型注意力权重最高的图块中，真阳性样本频繁表现出成熟粒细胞生成减少，呈现更为幼稚的未成熟表型（Supplementary Fig. 1）。

Clinical implications, limitations, and future directions（临床意义、局限性与未来方向）
研究结论指出，在AML中可从骨髓形态学层面幻灯片级别检测到IDH1突变状态的数字生物标志物。基于注意力的MIL模型相较于逐图块分类的性能提升，提示IDH1突变可能伴随细微的形态学改变，例如细胞成分的变化和成熟障碍。目前，视觉数字生物标志物尚不能替代基因检测，但可能允许进行高效且低成本的基于图像筛查，促使进一步确认和优先安排分子检测，并支持低资源环境中的诊断工作。然而，本研究受限于回顾性设计、样本量有限以及训练集IDH1突变频率远高于自然人群，所得发现仅为假设生成性（hypothesis-generating），不应外推至普通AML人群或其他扫描仪与染色条件。未来需扩大队列规模以校正共突变谱，并开发可靶向改变的AML统一模型；这些模型目前尚不构成临床级生物标志物，其价值必须在多中心队列的前瞻性临床试验中通过证明疗效与可推广性来评估，且相关软件产品须符合监管要求后方可常规临床应用。