病理切片不只看腫瘤長相：AI標出三陰性乳癌的復發風險微區

三陰性乳癌缺少雌激素受體、黃體素受體與HER2等常見治療標靶，患者即使接受相似治療，復發風險仍可能相去甚遠。一項新研究嘗試從日常病理檢查已會製作的H&E染色切片出發，讓人工智慧不只預測風險，也指出腫瘤內哪些位置可能藏著與復發有關的分子狀態。

研究團隊分析156名患者的切片，訓練模型為影像中的局部區塊評分，再依高分區塊的分布彙整成患者層級的復發風險。在獨立測試組中，模型的AUC與C-index均為0.77；前者衡量模型區分風險群體的能力，後者則反映預測排序與實際復發時間的一致程度。這個結果顯示模型具有中等程度的辨識力，但尚不足以單獨支持臨床決策。

更具生物學意義的是，熱圖顯示高、低風險區可以同時存在於同一個腫瘤組織區室。整體蛋白質體分析把影像高風險與細胞週期、基因體維護等程序連在一起；低風險則較接近免疫活化。換言之，AI捕捉到的可能不只是腫瘤細胞排列方式，也包括切片形態背後不同的增殖與免疫環境。

為了進一步核對這項推測，團隊依照AI熱圖的座標，從兩名曾復發患者的腫瘤中分離46個區域，進行質譜空間蛋白質體分析。兩名患者呈現相近對比：高風險區富集有絲分裂相關程序，低風險區則較多免疫與抗原呈現活動。這一步把影像訊號連到局部分子機制，但樣本僅來自兩名患者，較適合視為機制探索，而非普遍適用的臨床證據。

研究人員另從這些空間差異建立13種蛋白質的複合指標。蛋白質版本在擴大隊列中僅呈現分數愈高、無復發存活愈差的趨勢；相應的轉錄本指標則可在獨立METABRIC三陰性乳癌隊列中區分無復發存活。於另一項重抽樣分析中，將蛋白質指標加入H&E影像分數後，C-index由0.679提高至0.739，三年與五年的時間依賴辨識力也有所改善。

這套方法眼下最直接的價值，或許不是產生一個新的自動判讀分數，而是把AI熱圖當成實驗導航工具：先從廉價、普及的切片找出可疑區域，再把昂貴的分子分析集中到資訊量最高的位置。不過論文尚未經同儕審查，空間蛋白質體部分規模很小，蛋白質指標的預後關聯也仍屬初步；在進入臨床前，還須由更多醫療機構、不同掃描與染色流程以及前瞻性患者資料驗證，並證明它能在既有病理與分期資訊之外帶來穩定增益。