《Computational and Systems Oncology》：HierAnom-Path: Zero-Shot Rare Cancer Detection in Histopathology via Hierarchical Foundation Model Adaptation
编辑推荐：
罕见癌症总体上占所有恶性肿瘤的20%–25%，但在公开可用的存档中，每个亚型标注的全切片图像（WSI）少于50张，这使得监督深度学习不可行。研究人员提出了HierAnom-Path，据研究人员所知，这是第一个在千兆像素组织病理学WSI中进行零样本罕见癌症异常检
罕见癌症总体上占所有恶性肿瘤的20%–25%，但在公开可用的存档中，每个亚型标注的全切片图像（WSI）少于50张，这使得监督深度学习不可行。研究人员提出了HierAnom-Path，据研究人员所知，这是第一个在千兆像素组织病理学WSI中进行零样本罕见癌症异常检测的框架，该框架在训练的任何阶段都不使用任何标注的罕见癌症样本。HierAnom-Path整合了四个新颖的贡献：（1）一个层次化两级BiomedCLIP适配器，具有跨癌症对比LoRA（秩16，470万可训练参数），该适配器在没有标注罕见癌症数据的情况下学习跨癌症亚型不变的形态学异常表征；（2）RarePath-Diffusion，一个文本条件潜在扩散模型，从结构化临床提示中合成逼真的罕见癌症病理图块，无需任何真实标注的罕见癌症切片即可提供训练信号；（3）跨癌症亚型零样本（CCSZ）基准协议，这是第一个严格分离训练和测试癌症亚型的评估框架；（4）一个临床医生对齐的空间异常热图，带有文本基础的形态学解释和结构化的、可审计的推理日志。在来自EBRAINS数字脑肿瘤图谱的30种罕见脑肿瘤亚型上评估，HierAnom-Path实现了平均切片级AUROC 0.841 ± 0.024，比最强CLIP基线（AnomalyCLIP：0.671 ± 0.031；DeLong检验，p < 0.001，Bonferroni校正）提高了17.0个百分点，图块级AUROC为0.783 ± 0.031，AUPRO为0.762 ± 0.028。在CAMELYON17上的多中心验证证实了扫描仪稳健的泛化能力（五个独立站点的切片级AUROC为0.812 ± 0.019；站点间范围为3.8个百分点）。在PANDA前列腺数据集（n = 10,616张WSI）上的等级相关性分析得出Spearman ρ = 0.741（p < 0.001），在五个非脑罕见TCGA亚型上的跨数据集评估平均切片级AUROC为0.798 ± 0.029。盲法病理学家验证得到了Fleiss' κ = 0.67（实质性一致），解释定位Dice为0.64 ± 0.11，确认了临床可解释性。HierAnom-Path缩小了与完全监督上界（0.910 ± 0.018）的大部分差距，同时不需要任何罕见癌症标签，为零样本罕见癌症异常检测建立了新的最优水平。
罕见癌症（Rare Cancer）占所有恶性肿瘤的20%–25%，但每个亚型在公开存档中可用的标注全切片图像（Whole-Slide Image, WSI）不足50张，导致监督深度学习（Supervised Deep Learning）无法直接应用。现有零样本异常检测（Zero-Shot Anomaly Detection）方法多基于对比语言-图像预训练（Contrastive Language-Image Pre-training, CLIP），但缺乏对千兆像素WSI层次化空间结构的建模，且无法生成罕见癌症合成数据。为填补这一空白，研究人员提出了HierAnom-Path，这是首个在组织病理学WSI中实现零样本罕见癌症异常检测的框架，无需任何标注的罕见癌症样本即可完成训练和检测。该研究发表在《Computational and Systems Oncology》。
研究人员通过整合四项关键技术创新，构建了HierAnom-Path系统。在关键技术方法方面，主要依赖以下四个核心模块，忽略试剂和具体操作步骤，但注明样本队列来源：第一，层次化两级BiomedCLIP适配器，使用跨癌症对比低秩适应（Low-Rank Adaptation, LoRA，秩16，4.7百万可训练参数），注入到BiomedCLIP视觉编码器的12层自注意力层中，训练数据来自TCGA（The Cancer Genome Atlas）的10种常见癌症亚型（共29,120张WSI）；第二，RarePath-Diffusion，基于Stable Diffusion v2.1的文本条件潜在扩散模型（Latent Diffusion Model, LDM），微调于TCGA图块，使用结构化临床提示（如癌症亚型、WHO分级、形态学描述符）生成合成罕见病理图块，并由10位病理学家筛选（模态评分≥4），最终每个亚型保留1000张合成图块；第三，跨癌症亚型零样本（Cross-Cancer-Subtype Zero-Shot, CCSZ）基准协议，训练集为TCGA 10种常见亚型，验证集为5种其他TCGA亚型，测试集为30种EBRAINS数字脑肿瘤图谱中的罕见脑肿瘤亚型（共1,247张WSI），确保训练和测试亚型完全无重叠；第四，临床医生对齐的空间异常热图解释模块，计算图块表征与47个预定义形态学描述符文本嵌入的余弦相似度，输出前三个描述符，并生成结构化JSON审计日志以满足监管要求。此外，多中心验证使用CAMELYON17数据集（5个中心，500张WSI），等级相关性分析使用PANDA前列腺数据集（10,616张WSI），跨数据集泛化使用5种非脑罕见TCGA亚型。
研究结果部分总结了以下主要发现：
5.1 主要定量结果（Main Quantitative Results）：在CCSZ基准上，HierAnom-Path的切片级AUROC（受试者工作特征曲线下面积）达到0.841 ± 0.024，比最强CLIP基线AnomalyCLIP（0.671 ± 0.031）提升17.0个百分点（p < 0.001，DeLong检验），图块级AUROC 0.783 ± 0.031，AUPRO（每区域重叠曲线下面积）0.762 ± 0.028。在30个亚型中，22个亚型AUROC超过0.80。
5.2 消融研究（Ablation Studies）：移除RarePath-Diffusion合成图块使AUROC降低4.3个百分点，将跨癌症对比损失（CCC Loss）替换为标准InfoNCE损失降低5.8个百分点，移除第二级WSI级聚合器降低3.7个百分点，将BiomedCLIP替换为标准CLIP降低9.4个百分点，完全微调BiomedCLIP比LoRA差1.9个百分点。所有差异均显著（p < 0.05，Bonferroni校正）。
5.3 多中心泛化（Multi-Centre Generalization, CAMELYON17）：在五个独立医学中心上，平均切片级AUROC为0.812 ± 0.019，站点间范围仅3.8个百分点，为所有零样本方法中最窄，证实了扫描仪和染色变化的鲁棒性。
5.4 等级相关性分析（Grade Correlation Analysis, PANDA）：切片级异常分数与Gleason等级组的Spearman相关性ρ = 0.741（p < 0.001），异常分数从正常组织（Grade 0，中位数0.18）单调递增至Grade 5（中位数0.87），优于所有基线，包括使用5张标注样本的PathPT（ρ = 0.663）。
5.5 病理学家验证研究（Pathologist Validation Study）：10位病理学家（平均经验11.4年）对50例WSI进行盲法评价，Fleiss' κ = 0.67（实质性一致），热图定位准确性3.8/5，文本解释相关性3.9/5，解释定位Dice系数0.64 ± 0.11，显著高于CLIP基线（0.41，p < 0.01，配对Wilcoxon检验）。
5.6 RarePath-Diffusion合成质量消融（RarePath-Diffusion Synthesis Quality Ablation）：文本条件LDM的FID（弗雷歇初始距离）为16.8，优于无文本LDM（24.7）和StyleGAN2（38.2），合成质量与AUROC单调相关，与真实罕见图块（Oracle，AUROC 0.856）仅差1.5个百分点，证实文本条件合成可有效替代真实数据。
5.7 超参数敏感性分析（Hyperparameter Sensitivity Analysis）：三个关键超参数（CCC损失权重λ、均值池化阈值δ、最大值池化权重α）在各自网格范围内，AUROC变化不超过2.7个百分点，表明模型对精确值不敏感。
5.8 失败模式分析（Failure Mode Analysis）：五个AUROC低于0.78的亚型呈现三种失败模式——与反应性组织形态重叠（如弥漫性星形细胞瘤0.741）、低细胞密度导致特征模糊（如多形性黄色星形细胞瘤0.771）、亚型内高异质性（如少突胶质细胞瘤0.781），并提出了针对性改进方向。
5.9 跨数据扩展到非脑罕见癌症（Cross-Dataset Generalization to Non-Brain Rare Cancers）：在五种非脑罕见TCGA亚型（间皮瘤、子宫癌肉瘤、胆管癌、弥漫大B细胞淋巴瘤、食管癌）上，平均切片级AUROC为0.798 ± 0.029，比AnomalyCLIP（0.651）高14.7个百分点（p < 0.01），表明跨器官泛化能力。
5.10 计算效率（Computational Efficiency）：每张WSI（5,000图块）推理时间3.2分钟（NVIDIA A100），GPU内存12 GB，训练总成本28 GPU小时（一次性），较简单基线慢约4倍，但临床诊断辅助工作流可接受。
讨论部分总结了五条局限性：单倍率（20×）分析限制；Macenko染色归一化依赖单一TCGA参考；病理学家验证规模（50例WSI，10位病理学家）不足以进行正式非劣效性分析；分子定义罕见癌症（如IDH突变胶质瘤）需要基因组条件整合；主要评估限于脑肿瘤，需扩展至其他器官。未来方向包括多尺度分析、联邦训练、基因组条件合成、跨器官泛化及前瞻性临床试验。
研究结论翻译如下：研究人员提出了HierAnom-Path，据研究人员所知，这是第一个在千兆像素全切片组织病理学图像中进行零样本罕见癌症异常检测的框架，同时解决了层次化WSI空间结构、缺乏标注的罕见癌症训练数据以及空间可解释性和监管可审计性的临床需求。四个新颖贡献——跨癌症对比LoRA适配器、RarePath-Diffusion罕见病理合成器、CCSZ基准协议和临床医生对齐的解释模块（含审计日志）——各自独立解决了文献中的空白，并共同构建了系统，在EBRAINS图谱的30种罕见脑肿瘤亚型上达到最优零样本性能（切片级AUROC 0.841），在CAMELYON17上实现稳健多中心泛化（五个站点平均0.812），跨数据扩展到非脑罕见癌症（平均0.798），并在正式盲法验证研究中达到临床意义的病理学家一致性（Fleiss' κ = 0.67）。定量结果包括：切片级AUROC 0.841（EBRAINS CCSZ，+17.0百分点），图块级AUROC 0.783，AUPRO 0.762，Spearman ρ = 0.741（PANDA等级相关性），Fleiss' κ = 0.67，CAMELYON17平均0.812，所有结果均无需任何标注的罕见癌症训练数据。更广泛的意义在于，跨领域对比适配器训练用于零样本异常检测的原则——学习观察类别间的形态学不变量以检测未观察类别——可应用于任何具有结构数据稀缺性和高类间形态多样性的视觉领域。随着罕见癌症登记增长和病理数字化加速，HierAnom-Path为可扩展、公平、可解释的癌症诊断提供了原则性基础，不依赖于罕见癌症训练数据的可用性。
