AI 使用常规病理切片预测肾癌药物反应
快速阅读: 据《AZoAI》称，德州大学西南医学中心研发了一种基于AI的模型，可通过分析病理切片预测肾癌患者对血管生成抑制剂的反应，为个性化治疗提供经济高效的解决方案，有望革新癌症治疗决策。
德克萨斯大学西南医学中心
**2025年4月25日**
一项创新的人工智能模型通过分析常规病理切片来预测患者对肾癌治疗的反应，提供了一种高效且经济的遗传检测替代方案，从而实现了个性化治疗。如图所示，该模型直接从H&E染色切片预测血管评分，并通过多个独立数据集与基于RNA的血管评分进行验证。经过验证的模型应用于独立且未见过的临床数据集，其预测的血管评分与抗血管生成（AA）疗法的疗效相关联。
B H&E深度学习模型是一种可解释的机器学习模型，用于从H&E图像预测血管评分。给定输入的H&E图像，模型预测出血管掩模（绿色），输出的阳性像素比例即为基于H&E的血管评分。训练数据包括两个数据集，其中H&E图像与基于RNA的血管评分和CD31免疫组化（血管掩模的基础）匹配，提供目标真实值。模型被训练以预测与CD31和基于RNA的血管评分相匹配的血管掩模（详见补充图1和方法部分）。
德克萨斯大学西南医学中心的研究人员开发了一种基于人工智能（AI）的模型，可以准确预测哪些肾癌患者将从抗血管生成疗法中受益，这是一种仅在某些情况下有效的治疗方法。他们的研究结果发表在《自然通讯》杂志上，可能为使用AI指导此类及其他类型癌症的治疗决策提供了可行的方法。
“临床上迫切需要一种方法来预测谁会对特定疗法产生反应。我们的研究表明，组织病理学切片——一种现成的资源——可以被挖掘以生成最先进的生物标志物，这些标志物能够提供关于哪种治疗可能使哪些患者受益的见解。”德克萨斯大学西南医学中心生物信息学系助理教授萨特维克·拉贾拉姆博士说道，他也是该大学哈罗德·C·西蒙斯综合癌症中心的成员。拉贾拉姆博士与帕耶尔·卡普尔博士共同领导了这项研究，卡普尔博士是病理学和泌尿学教授，同时也是西蒙斯癌症中心肾癌项目（KCP）的联合负责人。
每年，近435,000人被诊断出患有透明细胞肾细胞癌（ccRCC），使其成为最常见的肾癌亚型。当疾病发生转移时，通常会使用抗血管生成疗法进行治疗。这些药物抑制肿瘤中新血管的形成，从而限制肿瘤生长所需的分子获取途径。尽管抗血管生成药物被广泛处方，但只有不到50%的患者从中受益，卡普尔博士解释道，这导致许多人面临不必要的毒性和经济负担。
她补充说，目前没有临床可用的生物标志物能够准确评估哪些患者最有可能对这些药物产生反应。然而，由基因泰克公司进行的一项临床试验表明，血管评分（一种评估六种与血管相关的基因表达的测试）可能具有潜力。然而，这种基因检测昂贵且难以在各诊所标准化，还会导致治疗延迟。此外，它仅测试肿瘤的一部分，而ccRCC具有异质性，在癌症的不同区域表现出可变的基因表达。
下图展示了模型在一个包含片内异质性和多区域RNA测序数据的ccRCC病例中的输出情况。中央图表显示了模型H&E血管评分（蓝白红颜色映射）应用于切片上所有肿瘤区域。为了对比基于补丁级别的模型（例如基于MIL的方法）的输出，我们在416×416像素网格内计算了阳性血管掩模预测的百分比局部平均值，这显示出比像素级血管掩模更低的可解释性。标记了三个区域（圆圈），我们获得了基于RNA的真实血管评分（圆圈颜色为黄色，使用红色映射）。血管数量和基于H&E和RNA的血管评分之间存在广泛的定性一致性，两者都能捕捉到肿瘤内异质性（ITH），这是标准切片级别批量测序方法所遗漏的。
为了解决这些挑战，卡普尔博士、拉贾拉姆博士及其在KCP的同事开发了一种利用AI评估组织病理学切片的预测方法——这些切片是薄切的肿瘤组织切片，用染色来突出细胞特征。拉贾拉姆博士指出，这些切片几乎总是患者诊断时的标准工作流程的一部分，其图像在电子健康记录中也越来越容易获得。拉贾拉姆博士还是阿尔茨海默病和神经退行性疾病中心以及病理学系的助理教授。
研究人员使用基于深度学习的人工智能类型，训练了一个算法，使用两组数据：一组将ccRCC组织病理学切片与其对应的血管评分匹配，另一组则将切片与他们开发的评估肿瘤切片中血管的测试匹配。
重要的是，与许多不提供结果洞察的传统深度学习算法不同，这种方法旨在具有视觉可解释性。它不是生成一个单一数字并直接预测反应，而是生成预测血管的可视化结果，该结果与基于RNA的血管评分紧密相关。血管数量较多的患者更有可能对治疗产生反应；这种方法使用户能够理解模型如何得出结论。
当研究人员使用超过200名患者的切片对该方法进行评估时，其中包括临床试验中收集的显示血管评分潜在价值的切片，该方法预测哪些患者最有可能对抗血管生成疗法产生反应的效果几乎与血管评分一样好。该算法有73%的时间正确预测响应者得分高于非响应者，而血管评分的这一比例为75%。
研究作者建议，最终可以通过分析组织病理学切片的AI来帮助指导各种疾病的诊断、预后和治疗决策。他们计划开发类似的算法，以预测哪些ccRCC患者将对免疫疗法产生反应，这是一种仅部分患者受益的治疗方法。
其他参与此项研究的UTSW研究人员包括第一作者杰伊·贾斯蒂博士（拉贾拉姆实验室前数据科学家）、詹姆斯·布拉加洛斯博士（内科教授、肾癌项目主任和西蒙斯癌症中心成员）、迪内什·拉克海亚博士（病理学和儿科学教授）、华·钟博士（计算生物学家）、万丹娜·潘瓦博士（医学住院医师）、维普尔·贾玛勒硕士（数据科学家）、杰弗里·米亚塔学士（组织技术员）和阿兰娜·克里斯蒂硕士（生物统计咨询师）。
卡普尔博士担任珍妮和鲍勃·皮肯斯杰出医学科学教授，以纪念杰瑞·奈特·莱默、安妮特·布雷南·莱默以及WL皮肯斯夫妇。
该研究得到了国防部（KC200285）、德克萨斯癌症预防与研究学院（RP220294）、利达·希尔生物信息学系、由国立卫生研究院资助的肾癌SPORE拨款（P50CA196516）以及国家癌症研究所（NCI）癌症中心支持拨款（P30CA142543）的支持。
资料来源：
德克萨斯大学西南医学中心
参考文献：
贾斯蒂，J.，钟，H.，潘瓦，V.，贾玛勒，V.，米亚塔，J.，卡里略，D.，克里斯蒂，A.，拉克海亚，D.，莫德鲁桑，Z.，凯德尔，E. E.，贝格，N.，胡塞尼，M.，布拉加洛斯，J.，卡普尔，P.，& 拉贾拉姆，S.（2025）。基于组织病理学的AI模型预测肾癌临床试验中的抗血管生成疗法反应。《自然通讯》，16(1), 1-13. DOI: 10.1038/s41467-025-57717-6, https://www.nature.com/articles/s41467-025-57717-6
(以上内容均由Ai生成)
