子宫内膜癌分子分型:基于基础模型Transformer与全玻片图像的真实世界基准验证与效能评估

《npj Precision Oncology》:Real-world benchmarking and validation of foundation model transformers for endometrial cancer subtyping from histopathology

【字体: 大 中 小 】 时间:2026年04月06日 来源:npj Precision Oncology 8

编辑推荐:

  针对子宫内膜癌分子亚型(MMR-d、p53abn、POLE突变、NSMP)从全玻片图像(WSIs)中稳健分类的临床需求,研究人员在真实世界队列中,系统评估了基于基础模型编码器与注意力多示例学习(MIL)的模型,并与传统卷积神经网络(CNN)进行对比。研究表明,基础模型(如Virchow2、UNI2结合CLAM MIL)在内部验证和外部验证中均展现出更优越的泛化能力,为基于数字病理的精准肿瘤学应用提供了有力工具。

  
在妇科肿瘤领域,子宫内膜癌的发病率正逐年上升。与传统的组织学分类相比,基于分子特征的分类(分子分型)能更精准地预测患者预后并指导治疗决策,例如区分出具有高度微卫星不稳定性(MMR-d)、p53蛋白异常(p53abn)、POLE基因致病性突变以及无特定分子谱(NSMP)的亚型。然而,分子检测通常依赖基因测序或免疫组化,成本较高且耗时,难以在所有医疗机构普及。有没有一种方法能够更快速、更经济地推断出肿瘤的分子亚型呢?近年来,数字病理和人工智能(AI)的融合为这一难题带来了曙光。通过扫描传统玻璃切片获得的全玻片图像(WSI)包含了海量的形态学信息,AI模型能否从中“读懂”与分子变异相关的隐藏特征,从而实现“看图识分子”?这正是发表在《npj Precision Oncology》上的这项研究旨在探索的核心问题。
为了回答这个问题,研究团队设计了一项严谨的基准研究。他们并没有从零开始训练模型,而是利用了已在海量病理图像上预训练好的“基础模型”(Foundation Model)编码器,例如Virchow2、UNI2等。这些模型好比是已经博览群书的“专家”,对病理图像有深刻的基础理解。研究人员将这些基础编码器与一种能够处理整张WSI(视为由无数小图像块“实例”组成的“包”)的注意力多示例学习(MIL)框架(如CLAM)配对,构建了新型分类器。他们的“对手”则是传统的、需要从头训练的卷积神经网络(CNN)模型。研究使用的数据来自一个包含815名患者(1195张WSI)的公共队列用于模型开发,并额外使用了一个包含720名患者(1357张WSI)的外部独立队列来严格检验模型的泛化能力,即模型在“没见过”的新数据上的表现。所有模型均采用五折交叉验证进行训练,并在外部队列上进行最终测试。评估模型性能的指标包括宏观受试者工作特征曲线下面积(macro-AUC)、宏观F1分数(macro-F1 score)和平衡准确率。
研究结果
  • •
    在模型开发与交叉验证中,基础模型编码器优于传统CNN
    在五折交叉验证中,所有基于基础编码器(Virchow2, UNI2, CTransPath)与注意力MIL(CLAM, TransMIL)配对的模型,其性能(以macro-AUC衡量)均稳定地超过了传统的CNN模型。基础模型的macro-AUC范围在0.799到0.860之间,而CNN模型的macro-AUC范围在0.715到0.829之间。其中表现最佳的配置是Virchow2编码器与CLAM MIL框架的组合,其macro-AUC达到0.860,macro-F1分数为0.607,平衡准确率为0.647。
  • •
    在外部验证中,基础模型展现出更优的泛化能力
    当在独立的外部验证队列上进行测试时,传统CNN模型的性能出现了显著下降,这表明其学到的特征可能过于依赖训练数据的特定分布,泛化能力不足。相比之下,基于基础模型的方案虽然性能也有一定程度的下滑,但保持了更高的判别能力。其中,UNI2编码器与CLAM MIL组合取得了最高的外部验证macro-AUC(0.780),对应的macro-F1分数为0.416,平衡准确率为0.507。这一结果凸显了基础模型在应对不同来源、不同制备工艺的病理图像时更强的稳健性。
  • •
    不同分子亚型的分类难度存在差异
    在四个分子亚型中,模型对于p53abn亚型的识别能力最强,其AUC值高达0.851。这表明肿瘤的p53异常状态在病理图像形态上可能具有相对更特异、更易于被AI模型捕捉的特征。而对于其他亚型,特别是POLE突变型和NSMP型,分类挑战更大,这符合其形态学异质性更高的生物学认知。
结论与讨论
本项基准研究系统地评估并证实了,在子宫内膜癌分子亚型(MMR-d, p53abn, POLE突变, NSMP)的WSI图像分类任务中,基于大规模数据预训练的基础模型编码器,当与注意力多示例学习框架结合时,其性能与泛化能力均显著优于传统的、从零开始训练的卷积神经网络模型。该研究的意义在于:首先,它从“工程实践”角度为数字病理领域提供了一种高效的模型构建范式——即利用强大的预训练基础模型作为特征提取“骨干”,再针对具体任务进行微调,这比从头训练更高效且效果更好。其次,研究通过严格的内外部验证,证明了此类方法在真实世界临床场景中应用的潜在可行性,为开发低成本、快速、可推广的肿瘤分子分型辅助工具奠定了方法论基础。尽管当前模型在部分亚型(如POLE, NSMP)上的绝对性能仍有提升空间,且临床部署前仍需更大规模、前瞻性的验证,但这项工作无疑为将人工智能深度融入精准肿瘤学诊断流程迈出了坚实的一步,展示了计算病理学在解码形态-基因关联方面的巨大潜力。
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