超越简单量化：人工智能和肿瘤间质比如何重新定义肝细胞癌预后预测

亮点

• 一种新型的人工智能框架揭示了肿瘤间质比（TSR）与肝细胞癌死亡率之间呈倒U形的非线性关系，关键风险阈值分别为0.188和0.268
• 令牌引导多模态融合架构整合了全切片成像、TSR量化和临床变量作为高维令牌，实现了超过0.80的曲线下面积，用于预后预测
• 通过转录组学验证表明，高风险TSR表型特征为活跃的肿瘤增殖、间质激活和肿瘤微环境互作
• 本研究标志着从手动TSR估计到计算病理学中人工智能驱动语义推理的范式转变

背景

肝细胞癌（HCC）是最常见的原发性肝脏恶性肿瘤之一，也是全球癌症相关死亡的主要原因之一。尽管系统治疗和局部区域治疗取得了进展，但由于肿瘤异质性、复杂的肿瘤微环境以及缺乏能够捕捉恶性细胞与其周围间质动态相互作用的强大生物标志物，HCC的预后预测仍然具有挑战性。

肿瘤间质比（TSR）作为一种有前景的预后指标，在多种实体瘤类型中得到认可，包括结直肠癌、乳腺癌和胃癌。TSR反映了肿瘤微环境中肿瘤细胞与间质成分的比例，较低的TSR值——表示较高的间质含量——在几种恶性肿瘤中与较差的临床结果相关。然而，由于显著的方法学挑战，包括视觉估计中的观察者间变异性、缺乏标准化评估方案以及关于最佳TSR阈值用于风险分层的矛盾报告，TSR在HCC中的量化受到了阻碍。

此外，假设TSR与预后之间的线性关系可能会过度简化肿瘤-间质相互作用的生物学复杂性。新兴证据表明，间质隔室对肿瘤行为的影响具有情境依赖性，可能与临床结果呈现非线性的剂量-反应关系。

研究设计

这项回顾性队列研究旨在实现两个主要目标：首先，确定TSR在HCC中是否遵循非线性的预后模式；其次，开发一种基于人工智能的框架，用于标准化TSR评估和预后预测。

该研究整合了两个独立队列的全切片图像（WSI）数据和全面的临床变量。发现队列包括392名经组织学确诊的肝细胞癌患者，这些患者在参与机构接受了手术切除。验证队列由168名来自癌症基因组图谱（TCGA）肝细胞癌数据集的患者组成，提供了外部验证。

分析方法采用限制性立方样条来探究非线性危险动力学，允许灵活地建模TSR与死亡率之间的潜在非线性关系，而不预先假设函数形式。生物学验证通过转录组学分析和免疫组织化学进行，检查与识别的TSR表型相关的基因表达模式和蛋白质标记。

研究的人工智能部分涉及开发一种专门设计用于从全切片图像中量化TSR的基础模型框架。该系统经过训练，可以自动分割肿瘤和间质区域，计算TSR值，并将这些定量指标与临床变量整合，以进行多模态预后建模。

关键发现

TSR的非线性预后关系

本研究最引人注目的发现是识别出肿瘤间质比与肝细胞癌死亡率之间呈非线性、倒U形的关系。分析显示，中间TSR值带来了最高的死亡风险，而低和高TSR极端值则与相对较好的结果相关。

定量分析确定了一个风险启动阈值为TSR = 0.188，低于此阈值时，TSR与死亡率之间的关系相对平坦。随着TSR值超过这一阈值，死亡风险逐渐增加，直到TSR = 0.268达到峰值。超过这一峰值后，更高的TSR值悖论性地与下降的死亡风险相关。

这种非线性模式挑战了TSR作为简单间质含量指标的传统理解，提示间质比例的两极可能对肿瘤行为产生不同的生物学效应。中间风险区可能代表一种特定的肿瘤表型，其特征为最大化的肿瘤-间质互作和间质激活，而非常低的TSR值（间质贫乏的肿瘤）和非常高的TSR值（间质丰富的肿瘤）可能反映具有不同临床行为的不同生物学实体。

高风险TSR表型的生物学特征

转录组学分析为非线性预后关系的机制提供了有力的生物学见解。TSR值处于高风险范围内的肿瘤表现出活跃的肿瘤增殖分子特征，包括细胞周期相关基因和增殖标志物的上调表达。同时，这些肿瘤表现出间质激活的证据，如与癌症相关成纤维细胞、细胞外基质重塑和转化生长因子-β信号传导相关的基因表达增加。

高风险表型还表现为肿瘤微环境互作增强，表现为细胞因子、趋化因子和细胞粘附分子表达改变。免疫组织化学验证确认了这些发现，显示蛋白质表达模式的变化与转录组学特征一致。

这些生物学观察表明，中间TSR范围识别了一种特定的肿瘤表型，其特征为恶性肝细胞与激活的间质细胞之间的双向信号传递，可能为肿瘤进展和播散创造有利环境。

人工智能衍生的TSR量化性能

用于TSR量化的基于人工智能的系统与病理学专家评估表现出极好的一致性，决定系数（R²）超过0.9。这种相关水平表明，人工智能衍生的TSR值可靠地近似于人类专家评估，同时在标准化、吞吐量和可重复性方面具有优势。

该人工智能框架能够自动分割整个全切片图像中的肿瘤和间质区域，生成连续的TSR值，消除了手动估计中的主观性。这种自动化方法消除了观察者间变异性，使大规模患者队列和多个机构之间的一致评估成为可能。

令牌引导多模态融合架构

本研究的一个关键技术创新是开发了令牌引导多模态融合架构，这是一种旨在将异构数据模态整合到预后建模中的新型深度学习框架。该架构将全切片图像、TSR值和临床变量概念化为高维令牌，直接纳入模型的计算逻辑中。

与传统方法分别处理每个模态然后再融合不同，令牌引导多模态融合架构能够端到端地学习所有输入类型的最优特征表示。这种设计保留了模态之间的语义关系，使模型能够发现通过传统分析方法可能不明显的复杂交互。

将WSI衍生的组织病理学特征与定量TSR测量和临床协变量（如肿瘤分期、肝功能参数和患者人口统计学）整合，实现对肿瘤生物学和患者状态的全面表示。多模态框架在接收者操作特征曲线下的面积（AUC）超过0.80，显著优于依赖单一数据源的单模态基线。

专家评论

本研究在计算病理学和人工智能应用于肿瘤学方面取得了重大进展。通过超越形态特征的简单量化，令牌引导多模态融合方法展示了人工智能系统捕捉肿瘤生物学语义复杂性的潜力。

识别肝细胞癌中TSR的非线性预后动态对临床风险分层具有重要意义。中间TSR值的风险峰值表明，当前将TSR简单分类为高或低可能无法捕捉该生物标志物中包含的真实预后信息。未来的临床应用应考虑TSR作为具有最佳风险阈值的连续变量，而不是依赖简单的截止值。

在解释这些发现时，需要考虑几个局限性。研究设计的回顾性质引入了潜在的选择偏差，而外部验证虽然有价值，但依赖于具有潜在不同人口统计学和临床特征的队列。此外，TSR与死亡率之间的非线性关系的生物学机制需要通过功能研究和前瞻性临床试验进一步调查。

这些发现的普遍性是否适用于其他肝脏恶性肿瘤或接受系统治疗的患者仍有待确定。未来的研究应探讨在肝内胆管癌、转移性肝肿瘤或免疫治疗背景下是否存在类似的非线性模式，其中间质调节可能改变TSR的预后意义。

结论

本研究从根本上重新定义了肝细胞癌中肿瘤间质比的评估，将范式从手动估计转变为人工智能驱动的高维语义推理。识别出TSR与死亡率之间呈非线性、倒U形的关系——关键阈值分别为0.188和0.268——为肿瘤-间质相互作用及其对患者预后的影响提供了新的机制见解。

令牌引导多模态融合架构证明了将全切片成像、定量生物标志物和临床变量整合到统一预后框架中的可行性。实现的AUC超过0.80，结合人工智能衍生和专家衍生TSR测量之间的强相关性，支持了这种方法在HCC中的临床潜力，用于风险分层和治疗规划。

这些发现表明，计算病理学的未来不仅在于形态特征的简单量化，还在于人类领域知识与人工智能推理的语义融合。随着人工智能系统在解释复杂生物数据方面变得越来越复杂，通过令牌引导多模态融合等架构整合多种模态，可能实现更精确、个性化的癌症预后和管理方法。

资金来源

本研究得到了多项机构研究资助的支持。具体的资金信息应参考原始出版物以获得完整披露。

参考文献

1. 黄海燕, 吴凯, 屈丽梅, 等. 肝细胞癌中的令牌引导多模态预后：由肿瘤间质比驱动的框架. 胃肠道. 2026. PMID: 41850702.
2. 癌症基因组图谱研究网络. 肝细胞癌的综合和集成基因组学特征. 细胞. 2017.
3. Mesker WE, Jungberger JM, Wilmer S, 等. 结直肠癌的癌-间质比率是生存的独立因素，与淋巴结状态和肿瘤分期相比. 细胞肿瘤学. 2007.
4. Huijbers A, Tollenaar RA, van Pelt GW, 等. 肿瘤间质比例作为II期和III期结直肠癌患者的强预后指标：TME试验的验证. 外科年鉴肿瘤学. 2013.