基于深度学习的病理切片分析预测垂体神经内分泌肿瘤谱系、高危亚型与复发的模型及空间生物学验证

《npj Precision Oncology》:Deep learning for predicting pituitary neuroendocrine tumour lineage and high-risk subtypes from histology

【字体: 大 中 小 】 时间:2026年04月25日 来源:npj Precision Oncology 8

编辑推荐:

  垂体神经内分泌肿瘤(PitNETs)具有高度异质性,临床诊疗面临挑战。为此,研究者开展了基于常规H&E染色全切片图像的深度学习模型开发主题研究。该模型可准确预测PitNETs的细胞谱系、高危亚型(如PIT1、TPIT、无功能型)及复发风险,并揭示了复发肿瘤的免疫微环境(M2巨噬细胞富集,CD8+T细胞减少)与分子通路特征。该研究为PitNETs的精准诊疗提供了无创、高效的工具及生物学机制见解,具有重要临床转化价值。

  
在脑部深处,一个小小的腺体——垂体,扮演着人体内分泌系统的“总司令”。当这里的细胞发生病变形成垂体神经内分泌肿瘤(Pituitary Neuroendocrine Tumours, PitNETs)时,它所带来的并非单一的疾病,而是一系列复杂的临床难题。PitNETs虽然大多为良性,但其行为却千差万别。有些生长缓慢,有些则侵袭性较强;有些导致激素过度分泌引发巨人症、库欣病,有些则“沉默不语”直到压迫视神经导致视力下降才被发现。这种高度的“异质性”,使得医生在制定治疗方案时常常感到棘手:哪些肿瘤更可能复发?哪些需要更积极的治疗?目前的诊断主要依赖术后病理切片在显微镜下观察,并结合免疫组化染色来判断肿瘤的细胞谱系(如SF1、PIT1、TPIT谱系)。然而,这种传统方法不仅耗时,而且对病理医生的经验依赖性强,更重要的是,它难以精准捕捉肿瘤内部的细微特征,从而精确预测其未来的“行为”,特别是复发风险。有没有一种方法,能从一张最常规的病理切片中,更深入、更客观地挖掘出预测肿瘤特性的“密码”呢?
随着人工智能技术的飞速发展,深度学习在医学影像分析领域展现出巨大潜力。它能够从海量的图像数据中学习人类肉眼难以察觉的复杂模式。那么,能否利用深度学习模型,直接分析PitNETs最常规的苏木精-伊红(H&E)染色病理切片,来实现对肿瘤谱系、高危亚型乃至复发风险的一站式精准预测呢?这不仅能为临床医生提供强大的辅助决策工具,还可能揭示传统方法无法发现的肿瘤生物学新特征。为了回答这一系列问题,研究人员开展了一项开创性的研究,构建了一个专门的深度学习模型,并融合了空间生物学技术进行深入验证。这项重要的研究成果发表在《npj Precision Oncology》杂志上。
为构建和验证模型,研究人员主要采用了以下关键技术方法:首先,他们利用深度学习框架,开发了一个能够处理整张H&E染色全切片图像(WSI)的模型,其核心任务是进行多任务预测。其次,研究建立了多中心队列,包括来自中国科学技术大学(USTC, 925例患者)的训练队列,以及来自太和医院(226例)和华山医院(193例)的两个独立外部验证队列,确保了模型的泛化能力。最后,为探究模型预测(特别是复发预测)背后的生物学机制,研究整合了多重免疫荧光染色以量化肿瘤微环境中的免疫细胞浸润(如CD8+T细胞、CD68+巨噬细胞、CD163+M2型巨噬细胞),并进一步利用空间转录组学技术,对复发与原发肿瘤的分子通路差异进行了高分辨率的原位解析。
研究结果
深度学习模型准确预测PitNETs的谱系和高危亚型
研究人员开发的深度学习模型在区分PitNETs的主要细胞谱系(SF1、PIT1、TPIT谱系)上表现出色。在外部验证集中,模型预测的微平均AUC(一种衡量模型性能的指标,值越接近1越好)达到了0.912。其中,对SF1谱系预测的AUC为0.926,PIT1谱系为0.932,TPIT谱系为0.904。对于难以归类的“无明确谱系”肿瘤,模型的AUC为0.706,显示了一定的识别能力,但也提示这类肿瘤在形态学上更具挑战性。更重要的是,模型还能够从PIT1和TPIT谱系中进一步区分出临床上更具侵袭性的“高危亚型”,其预测AUC分别达到0.805和0.753,对于同样具有侵袭潜能的“无功能细胞”亚型,预测AUC为0.733。这表明模型能够从常规H&E切片中捕捉到与肿瘤侵袭性相关的细微形态学特征。
深度学习模型能够预测肿瘤复发风险
除了分类,模型的核心目标之一是预测肿瘤的复发风险。研究显示,该模型预测复发风险的AUC为0.641。虽然这一性能指标低于谱系分类,但考虑到肿瘤复发的复杂性,这一结果首次证明了仅凭常规H&E切片图像,利用人工智能方法对PitNETs复发风险进行量化评估是可行的,为临床术后风险评估提供了一个全新的无创工具。
复发肿瘤的免疫微环境特征:M2巨噬细胞增多与CD8+T细胞减少
为了理解模型预测背后的生物学原理,研究人员对肿瘤免疫微环境进行了深入分析。他们发现,与原发性肿瘤相比,复发肿瘤的微环境呈现出显著的免疫重塑。具体表现为M2型巨噬细胞(一种通常与免疫抑制、组织重塑和肿瘤进展相关的巨噬细胞亚型)的密度显著增加,而具有抗肿瘤活性的CD8+T细胞的浸润则明显减少。这种“促肿瘤”的免疫微环境特征,可能是导致肿瘤复发和进展的关键因素之一,也为模型的复发预测提供了潜在的生物学解释。
空间转录组学揭示复发相关的独特分子通路
为了在分子层面获得更精确的洞察,研究采用了空间转录组学技术。该技术能够在保留细胞空间位置信息的同时,测量其基因表达。分析发现,复发肿瘤与原发肿瘤相比,激活了截然不同的分子通路。这些通路涉及细胞外基质组织、上皮-间质转化(EMT, 与肿瘤侵袭迁移相关)、血管生成以及特定信号转导(如Hippo信号通路)。这些发现从空间分子层面阐明了复发肿瘤的独特生物学行为,将模型的形态学预测与潜在的驱动机制联系了起来。
结论与讨论
本研究成功开发并验证了一个基于常规H&E病理切片的深度学习模型。该模型能够高精度地预测PitNETs的细胞谱系和临床高危亚型,并首次证明了利用该技术评估肿瘤复发风险的可行性。这为实现PitNETs的自动化、标准化病理诊断和风险分层迈出了关键一步,尤其有助于医疗资源相对匮乏的地区提升诊疗水平。
更重要的是,本研究超越了单纯的模型构建,通过整合多重免疫荧光和空间转录组学分析,对预测结果进行了深入的生物学验证和机制探索。研究揭示了复发PitNETs具有独特的免疫微环境(富含M2巨噬细胞,缺乏CD8+T细胞)和活跃的分子通路特征。这不仅为模型的预测提供了可信的生物学依据,也增进了对PitNETs复发机制的理解,为未来开发针对性的免疫治疗或靶向治疗策略指明了潜在方向。
综上所述,这项工作展示了人工智能与空间生物学交叉融合的强大力量。它不仅提供了一个具有直接临床转化潜力的实用工具,还通过“由图像到机制”的研究范式,为理解肿瘤生物学开辟了新途径。未来,随着更多数据的积累和模型的进一步优化,这种基于人工智能的病理学分析有望成为神经内分泌肿瘤乃至其他实体瘤精准医疗中不可或缺的一环。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号