← 返回首頁

讓病理切片讀出分子線索:PathLUPI在逾萬癌症病例受測

訓練時借助基因表現資料,預測時只看病理影像,PathLUPI嘗試縮短組織形態與癌症分子特徵之間的距離。跨隊列結果顯示潛力,但能否改善臨床決策,還需要前瞻研究回答。

By SURL BioNews

一張癌症病理切片,能呈現細胞的形狀與排列,卻未必直接揭露影響治療判斷的分子特徵。若能從例行取得的影像中提早辨認這些線索,或許有助於安排後續檢測。11月2日刊於《Nature Communications》的PathLUPI研究,便朝這個方向提出一種方法:讓模型在學習階段接觸轉錄體資訊,實際預測時則只使用病理切片影像。

轉錄體記錄了基因表現的狀態。PathLUPI在訓練時,將配對的組織影像與轉錄體資料一起使用,引導模型學會與分子特徵相關的影像表徵。依官方程式說明,完成訓練後,模型接收的是全切片影像經特徵擷取後的資料,不必再為每個待測病例輸入轉錄體資訊;這也是它嘗試銜接日常病理流程的關鍵。

正式發表版本的評估涵蓋20個隊列、11,361例病例,共49項分子腫瘤學任務,其中18項生物標記與分子分型任務的AUROC達到或超過0.80。AUROC衡量模型區分不同類別的能力,不能直接解讀為「八成病例判斷正確」,也不表示所有受測任務都達到相同水準。公開模型資源列出的預測項目,包括肺腺癌EGFR突變、乳癌受體狀態與膠質瘤IDH1突變等,呈現其希望從形態辨識的具體分子線索。

這些數字也需要與早期版本分清楚。2025年6月公開的同一研究預印本,記載的是11,257例病例,以及14項任務達到AUC至少0.80;正式版本則分別為11,361例與18項。兩個版本雖同樣列出49項任務及20個隊列,仍不宜混用結果,也不能只憑摘要差異判定數字變動的原因。

團隊另在GitHub提供程式、訓練說明、整理後的標籤與五折驗證分組,並在Hugging Face釋出185個模型權重檔,涵蓋24項生物標記與分子預測任務,以及13項存活預後任務的五折模型。這些資源讓其他研究者有機會重現與檢驗方法;不過,權重檔本身未附驗證指標或訓練中繼資料,下載模型並不等於完成獨立效能驗證。

從研究工具走向臨床,仍有幾個問題必須回答:不同醫院的切片製備與掃描差異會如何影響表現?在實際病人族群中,應設定什麼判讀門檻,才能妥善處理漏判與誤判?目前的結果尚未建立前瞻性臨床效益,也不足以支持用影像預測取代分子檢測。PathLUPI提供的是一條把分子資訊帶入影像學習的路徑;它是否能幫助醫療團隊更有效地安排檢測、進而改善照護,仍待實際流程中的研究驗證。

References

  1. Nature Communications
  2. arXiv
  3. ChengJin-git / GitHub
  4. peterjin0703 / Hugging Face