北京清華長(zhǎng)庚醫(yī)院6月12日電（通訊員 高國(guó)強(qiáng)）清華大學(xué)附屬北京清華長(zhǎng)庚醫(yī)院病理科主任尹洪芳團(tuán)隊(duì)與清華大學(xué)精密儀器系、清華-IDG/麥戈文腦科學(xué)研究院、清華大學(xué)自動(dòng)化系課題組合作，以人工智能（AI）和病理醫(yī)生相互協(xié)作的方式，構(gòu)建了癌癥預(yù)后標(biāo)志物智能挖掘平臺(tái)PathFinder，利用該平臺(tái)實(shí)現(xiàn)了基于肝癌數(shù)字病理切片圖像（WSI）對(duì)患者預(yù)后的精準(zhǔn)預(yù)測(cè)，發(fā)現(xiàn)壞死組織的空間分布特征與肝癌患者預(yù)后顯著相關(guān)，并在此基礎(chǔ)上提出并驗(yàn)證了兩種全新的肝癌病理預(yù)后標(biāo)志物，展示了深度學(xué)習(xí)方法在精準(zhǔn)醫(yī)學(xué)應(yīng)用的新范式。
PathFinder工作流程
肝癌是全球第四大癌癥相關(guān)死亡原因，其中肝細(xì)胞癌是最主要的病理類(lèi)型。肝細(xì)胞癌的病理組織圖像對(duì)癌癥診斷、預(yù)后評(píng)估和治療規(guī)劃至關(guān)重要。隨著人工智能的發(fā)展，深度學(xué)習(xí)能夠自動(dòng)提取復(fù)雜圖像中的特征，通過(guò)反向傳播算法不斷修改各節(jié)點(diǎn)的權(quán)重系數(shù)，逐步逼近理想模型，在圖像識(shí)別與分析方面表現(xiàn)出其獨(dú)特的應(yīng)用價(jià)值。盡管基于數(shù)字病理圖像信息和病人生存信息訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)，可以實(shí)現(xiàn)高于傳統(tǒng)分期的預(yù)后準(zhǔn)確度，但深度神經(jīng)網(wǎng)絡(luò)有限的可解釋性和泛化能力阻礙了這些高準(zhǔn)確度的深度預(yù)后模型的臨床實(shí)踐和應(yīng)用。
針對(duì)上述難題，本研究提出了一種可解釋的、以人為中心的深度學(xué)習(xí)框架——PathFinder。該平臺(tái)由三部分組成：宏觀模式獲取、預(yù)測(cè)深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練和新的生物標(biāo)志物的發(fā)現(xiàn)。首先，通過(guò)訓(xùn)練肝癌WSI多類(lèi)別組織劃分神經(jīng)網(wǎng)絡(luò)PaSegNet，來(lái)獲得多類(lèi)組織分布概率熱圖，從而得到宏觀模式（macro mode）。然后將macro mode及其相應(yīng)的肝癌患者生存時(shí)間用作為圖像-標(biāo)簽訓(xùn)練神經(jīng)網(wǎng)絡(luò)MacroNet，該模型預(yù)測(cè)的風(fēng)險(xiǎn)評(píng)分是肝癌的獨(dú)立預(yù)后因素，在兩組獨(dú)立數(shù)據(jù)集中的預(yù)測(cè)一致性指數(shù)（C-Index）分別達(dá)0.745和0.708。最后，利用歸因方法對(duì)經(jīng)過(guò)訓(xùn)練、表現(xiàn)良好的MacroNet進(jìn)行探索，挖掘該模型關(guān)注的空間區(qū)域，并對(duì)該區(qū)域進(jìn)行定位和表征，結(jié)果發(fā)現(xiàn)壞死組織的空間分布——這一長(zhǎng)久以來(lái)被忽視的特征與患者預(yù)后密切相關(guān)。基于此結(jié)果，該研究通過(guò)建立數(shù)字模型提出了兩種新的標(biāo)志物：壞死面積分?jǐn)?shù)（NEC）和腫瘤壞死分布（TND），進(jìn)一步在兩組獨(dú)立數(shù)據(jù)集上驗(yàn)證，發(fā)現(xiàn)NEC和TND可以顯著區(qū)分高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)群體，可作為術(shù)后復(fù)和死亡預(yù)測(cè)的重要指標(biāo)。
PathFinder預(yù)后標(biāo)志物智能挖掘平臺(tái)，可服務(wù)于多種癌癥、空間多組學(xué)、三維病理學(xué)等多種模態(tài)數(shù)據(jù)，具有廣闊應(yīng)用前景。該研究展示了深度學(xué)習(xí)和病理醫(yī)生相互協(xié)助發(fā)掘新知識(shí)的方式，搭建了連接臨床病理和深度學(xué)習(xí)的橋梁，為克服深度學(xué)習(xí)因有限的可解釋性而難以進(jìn)入臨床的難題探索了新途徑。《Nature Reviews Bioengineering》雜志主編Christine-Maria Horejs評(píng)論道：“該團(tuán)隊(duì)構(gòu)造了一套由深度學(xué)習(xí)引導(dǎo)，可以幫助病理醫(yī)生從表現(xiàn)良好的深度學(xué)習(xí)模型中發(fā)現(xiàn)新生物標(biāo)志物的方法”。
《Nature Reviews Bioengineering》亮點(diǎn)報(bào)道
本研究相關(guān)成果以《Deep learning supported discovery of biomarkers for clinical prognosis of liver cancer》為題，發(fā)表在《Nature Machine Intelligence》雜志上。清華大學(xué)精密儀器系博士生梁君浩為第一作者。清華大學(xué)附屬北京清華長(zhǎng)庚醫(yī)院病理科主任尹洪芳、清華大學(xué)附屬北京清華長(zhǎng)庚醫(yī)院病理科醫(yī)師肖穎，清華大學(xué)精密儀器系、清華-IDG/麥戈文腦科學(xué)研究院孔令杰教授，清華大學(xué)自動(dòng)化系、清華-IDG/麥戈文腦科學(xué)研究院戴瓊海院士為共同通信作者。清華大學(xué)附屬北京清華長(zhǎng)庚醫(yī)院病理科副主任技師楊江輝，清華大學(xué)臨床醫(yī)學(xué)院博士生吳美龍，清華大學(xué)精密儀器系博士生張維晟參與研究工作。本研究受到北京清華長(zhǎng)庚醫(yī)院青年啟動(dòng)基金、科技創(chuàng)新2030——腦科學(xué)與類(lèi)腦研究重大項(xiàng)目、國(guó)家自然科學(xué)基金項(xiàng)目的支持。
論文鏈接：https://www.nature.com/articles/s42256-023-00635-3
亮點(diǎn)報(bào)告鏈接:：https://www.nature.com/articles/s44222-023-00069-x
北京清華長(zhǎng)庚醫(yī)院APP
快速掛號(hào)
