← 返回首頁

讓基因表現教AI讀切片:PathLUPI探索癌症分子預測

訓練時借助轉錄體,預測時只看病理影像,PathLUPI嘗試從組織形態讀出癌症分子線索。跨隊列結果呈現潛力,也揭示不同醫院與標記之間的落差。

By SURL BioNews

顯微鏡下看來相似的腫瘤,可能帶有不同的分子變化,影響治療選擇與預後判斷。分子檢測能補上這些資訊,卻需要額外時間與資源。香港科技大學團隊開發的PathLUPI,嘗試讓人工智慧從常規病理切片辨識這些差異;根據研究團隊11月2日公告,成果已刊於《Nature Communications》。

這套方法的關鍵,是讓模型在學習階段多看一份資料:反映基因活性的轉錄體。研究者把同一患者的組織影像與基因表現資料配對,引導模型學習形態與分子路徑之間的關聯,再將這些線索轉移到只接收影像的模型分支。完成訓練後,分析新患者的全玻片影像,便不必同時提供其轉錄體。

依公告中的正式研究數字,評估涵蓋20個隊列、11,361名患者及49項分子腫瘤學任務,其中18項生物標記或分子分型任務的曲線下面積(AUC)達到0.80以上。AUC衡量模型區分不同狀態的能力,不能直接解讀為八成患者都能判對,也不能據此認定模型已足以指導用藥。

跨隊列測試尤其顯示,成效取決於預測對象。大腸直腸癌BRAF突變預測的AUC,從內部測試的0.840降至外部測試的0.655;膠質瘤IDH1突變預測則分別達0.992與0.920。這些差距提醒,某項任務表現突出,並不保證換到另一種癌症、標記或檢體來源後仍然可靠。

數據版本也需要分清。Cheng Jin等人於2025年6月公開的arXiv預印本,同樣評估49項任務與20個隊列,但記載的是11,257例,以及14項任務達AUC 0.80以上。本文採用研究團隊最新公告的數字;早期預印本可佐證方法與研究脈絡,兩個版本的統計則不宜混用。

官方程式庫提供了模型權重與推論操作說明,並明確區分訓練和使用條件:訓練需要配對的病理特徵與轉錄體,推論則不需要轉錄體或路徑資料檔。這讓其他研究者有機會重現與檢驗結果,但公開程式和模型,仍不等於完成臨床效能驗證。

PathLUPI提出的實際可能性,是在已有的病理影像中尋找更多分子資訊,未來或可協助安排後續檢測。然而,目前尚未證明它能在前瞻性臨床流程中改善決策或患者結果。若要走入診間,仍須釐清各項用途可接受的漏判與誤判程度,以及模型到了不同醫院後,能否維持足夠穩定的表現。

References

  1. Hong Kong University of Science and Technology, Smart Lab
  2. arXiv
  3. ChengJin-git / GitHub