《World Journal of Otorhinolaryngology - Head and Neck Surgery》:Current Advances in Spatial Pathology of Nasal Polyps: Challenges, Opportunities for Artificial Intelligence, and Future Directions
编辑推荐:
慢性鼻窦炎伴鼻息肉(CRSwNP)以炎症异质性、上皮增生和组织重塑为特征,空间病理学对于阐明病理机制和指导临床实践至关重要。传统组织病理学技术依赖主观视觉评估,受限于分子标志物空间分辨率不足和定量分析不精确。近期进展表明,空间转录组学揭示鼻息肉(NP)的炎症异
慢性鼻窦炎伴鼻息肉(CRSwNP)以炎症异质性、上皮增生和组织重塑为特征,空间病理学对于阐明病理机制和指导临床实践至关重要。传统组织病理学技术依赖主观视觉评估,受限于分子标志物空间分辨率不足和定量分析不精确。近期进展表明,空间转录组学揭示鼻息肉(NP)的炎症异质性;深度学习能够实现炎症亚群自动识别和精确的内型(endotype)预测;人工智能(AI)集成框架转变了对组织重塑、血管生成和纤维炎症微环境的评估。AI赋能的空间病理学桥接形态学与分子特征,优化NP内型分型,并为靶向生物治疗和精准医疗铺平道路。本综述总结了NP的传统和新兴空间病理学方法的进展,重点关注AI赋能工具及其临床转化潜力。
1 引言
慢性鼻窦炎(CRS)是耳鼻喉科最常见的慢性上气道疾病,患病率约10%,分为伴有鼻息肉(CRSwNP)和不伴有鼻息肉(CRSsNP)两种类型。超过一半的CRSwNP患者术后复发,严重影响生活质量。鼻息肉(NP)以炎症细胞浸润、组织重塑和上皮下水肿为特征。传统染色技术难以解析NP微环境的空间异质性。转录组学提供了整体视角,但受限于空间分辨率不足、缺乏三维(3D)重建以及人工智能(AI)与多组学整合困难。深度学习(DL)在NP病理分类和炎症细胞定量中已显示出初步潜力。本文系统讨论了NP上皮层和固有层的病理研究现状,以及机器学习驱动的多维病理研究机遇与挑战。
2 鼻黏膜的病理生理学
鼻黏膜是外界环境与宿主免疫系统的屏障界面,主要由上皮层和固有层构成,二者密切相互作用维持黏膜稳态。NP中主要病理改变包括炎症细胞浸润、组织重塑和水肿,尤其发生在固有层。这些改变跨越上皮和间质区室分布,反映局部免疫微环境。不同病因可导致浸润细胞类型和纤维化程度差异,支持空间分辨理解NP病理的必要性。
3 NP的病理研究进展
3.1 上皮改变
上皮重塑是NP的主要病理特征,表现为杯状细胞增生、鳞状化生和假复层纤毛柱状上皮异常。上皮细胞对黏液纤毛清除(MCC)至关重要,纤毛结构或功能损伤可导致病原体清除受损和持续性炎症。铜绿假单胞菌、流感嗜血杆菌等病原体及反复感染可破坏纤毛完整性,导致纤毛丢失、融合和排列紊乱。这些上皮异常是NP早期病理事件,但鼻腔内分布不均。目前缺乏不同解剖区域纤毛上皮形态的比较研究,光学相干断层扫描(OCT)可能提供动态、区域特异性评估工具。
3.2 固有层病理改变
固有层是NP水肿、炎症浸润和组织重塑的主要部位。肥大细胞、嗜酸性粒细胞、T/B淋巴细胞和树突状细胞促进炎症级联,与基质成分相互作用加剧组织损伤。纤维化相关改变包括胶原纤维降解、基底膜增厚、内皮增殖和血管生成,与血管异常和水肿相关。白细胞介素(IL)-6、血管内皮生长因子、转化生长因子β1和IL-37等调控这些过程。固有层是一个空间组织的微环境,未来整合单细胞测序和空间转录组学(ST)有助于解析局部相互作用。
3.3 三维空间特征分析
传统病理评估的局限在于单张切片仅捕获部分空间异质性病变。炎症细胞分布随炎症状态变化,慢性浸润和纤维化可延伸至深层组织。仅基于炎症细胞浸润的评估维度单一,血管浸润、上皮特征、腺体和血管分布也与预后相关。由于组织学成分分布不均,单张切片无法代表整体炎症状态。因此,需要全面提取空间特征,为后续空间病理和三维分析提供形态学基础。
4 新技术驱动的机制研究
显微成像技术自19世纪以来成为病理研究关键工具,以单细胞分辨率分析组织结构与疾病机制关系。然而,将形态学特征与功能异常直接关联仍有挑战。CRS机制研究转向分子病理水平。下一代测序(NGS)在头颈部肿瘤中显示临床转化价值,但传统批量测序无法解析细胞异质性。单细胞组学和空间组学技术为解决这些问题提供了新途径。
4.1 单细胞测序与ST
单细胞RNA测序(scRNA-seq)可精确分析各类细胞在生理病理过程中的功能作用,揭示CRS相关组织中的细胞异质性。但该技术缺乏空间区域特征,需依赖ST。ST将基因表达与空间位置信息整合,揭示疾病相关细胞异质性和分子机制,阐明治疗耐药和复发的组织特异性机制,加深对CRS整体生物学机制的理解。
4.2 新技术驱动的炎症空间病理研究
全玻片成像(WSI)实现了病理切片数字化,支持深度学习模型开发。深度学习算法在数字化HE图像中广泛用于癌症分类、前列腺癌分级和乳腺癌激素受体状态预测。然而,HE图像分析性能有时低于免疫组织化学(IHC),需连接形态学与分子信息。ST与HE联合分析可将局部基因表达与组织结构关联,提高基因表达预测和生物学可解释性。不过,当前ST分析未充分利用病理图像形态信息。WSI与ST整合需弥合尺度、分辨率和信息内容差异。病理基础模型改善了图像特征提取。Ge等人提出GIST框架,将组织学信息纳入ST解释,提高了分析准确性和可靠性,但该框架在非癌组织中的应用可能有限,需针对CRS等炎症性疾病调整。在CRS临床诊断中,HE仍是核心方法,分子标志物应用有限。ST数据集通过建立空间联系为训练深度学习模型提供资源,多模态框架可能将分子见解推广到更广泛的病理评估,推动机制相关和预测导向模型的发展。临床转化取决于模型是否有效对齐炎症组织中的结构与分子信号。
4.3 AI赋能的NP三维病理研究
2D