亮点
本文介绍了 TESERA，这是一种新型计算病理学框架，可从肝细胞癌的苏木精-伊红（hematoxylin and eosin，H&E）染色切片中提取具有预后意义的形态学亚型。TESERA 能够识别与关键分子通路和突变相关的两种不同肿瘤亚型，并提供一种可预测总生存期和无病生存期的预后形态学指数，经多个队列验证，具有较强的预后分层能力。
TESERA 依托常规获取的组织学图像，可实现低成本、广覆盖且兼顾生物学特征的风险分层，具有潜在的临床管理与治疗决策指导价值，尤其适用于肝细胞癌（hepatocellular carcinoma，HCC）。
研究背景
肝细胞癌（HCC）是全球癌症相关死亡的主要原因之一，但在临床实践中，用于有效刻画肿瘤生物学特征或对患者预后进行分层的工具仍然有限。传统组织病理学评估虽可提供有价值的形态学信息，但缺乏与分子特征及预后指标的系统整合。分子谱分析虽增强了对 HCC 亚型的认识，但成本较高，且并非全球普遍可及。
因此，临床上迫切需要可扩展、低成本的方法，利用常规组织学信息来提示肿瘤生物学特征和患者风险，从而使精准医学策略能够直接嵌入病理工作流程之中。
研究设计
TESERA 框架对来自 HCC 肿瘤的数字化 H&E 全视野切片图像（whole-slide images，WSIs）进行计算机图像分析。作者开发了一种无监督深度学习模型，用以生成代表形态学模式的潜在嵌入表示。这些嵌入经聚类分析后，在未预先标注的情况下识别出不同的组织编码亚型（Tissue Encoded Subtypes，TES）。
研究队列主要来源于癌症基因组图谱肝细胞癌（The Cancer Genome Atlas Liver Hepatocellular Carcinoma，TCGA-LIHC）数据集，该数据集包含与临床结局和分子数据相连接的数字化 WSIs。TESERA 还纳入了一个独立的院内队列用于外部验证。
在无监督聚类之后，研究者基于 TESERA 嵌入训练了一个监督模型，用于计算 TESERA 形态学指数（TESERA morphologic index，TESERA-MI），以患者层面预测生存结局。
主要发现
组织编码分型（TES1 vs TES2）
TESERA 在 HCC 中识别出两种主要形态学亚型：
- TES1：与较好预后相关，富集代谢通路和 CTNNB1 突变，提示其生物学行为较不侵袭。
- TES2：与较差总生存期相关（风险比［hazard ratio，HR］=4.20），富集增殖相关分子通路和 TP53 突变，与侵袭性肿瘤行为一致。
这一划分与既往生物学分型相呼应，但其独特之处在于通过计算形态学方法直接从常规组织学中获得。
预后形态学指数（TESERA-MI）
基于 TESERA 嵌入训练的监督预测模型生成了 TESERA-MI，其显示出很强的预后价值：
- 在 TCGA-LIHC 队列中，总生存期预测 HR=3.17，无病生存期预测 HR=2.19。
- 其区分准确性优于传统临床变量和分子标志物，Harrell 一致性指数（concordance index，C-index）为 0.73，1 年、3 年和 5 年受试者工作特征曲线下面积（area under receiver operating characteristic curves，AUROC）分别为 0.82、0.80 和 0.79。
- 在多变量校正后仍保持独立预后意义（HR=2.97）。
- 在独立院内队列中得到外部验证（HR=2.16），证实其稳健性。
与分子通路的整合
TESERA 的形态学亚型与具有生物学意义的分子异常高度相关，连接了组织学与基因组学：
- TES1 亚型富集 CTNNB1 突变和代谢相关基因特征。
- TES2 亚型富集 TP53 突变和增殖相关基因表达模式。
这支持了 TESERA 仅凭形态学即可无创推断肿瘤内在生物学特征的能力。
专家点评
TESERA 代表了 HCC 计算病理学的重要进展，提供了一种可直接从常规 H&E 切片中提取具有临床可操作性的生物学与预后信息的实用方法。该框架将形态学模式、分子数据与结局数据整合于同一体系，弥补了传统主观组织病理学评估的关键局限。
此外，TESERA 能够在既有临床和分子标志物之外进一步进行患者分层，提示其有望改善个体化风险评估和治疗规划。无监督发现的形态学亚型既支持已知生物学认知，也为其提供了可扩展的平台，便于推广至不同临床环境。
不过，该研究也存在局限性，包括对高质量切片数字化的依赖，以及仍需在更广泛、种族和病因更为多样的人群中进一步验证，因为 HCC 的异质性在全球范围内可能存在差异。此外，如何将其整合入实时临床工作流程，以及其对病理科医师的可解释性，也将是推动应用的重要因素。
结论
TESERA 提供了一条新颖、公开可用的计算流程，利用标准 H&E 组织学即可界定肝细胞癌在生物学和预后上均不同的形态学亚型。该方法可提供准确、独立的预后指数，并可与分子和临床指标相媲美，从而实现低成本、可广泛部署的风险分层。
这些结果有望通过将具备生物学认知的预后工具嵌入常规病理流程，推动 HCC 的诊断与管理模式转变。未来研究应重点关注扩大验证范围、将 TESERA 纳入临床决策支持系统，以及探索其在指导靶向治疗中的应用价值。
资助与 ClinicalTrials.gov
原始研究的资助来源在摘要中未作说明。该计算病理学开发研究未注明临床试验注册信息。
参考文献
1. Yasaka TM, Afrin S, Chen PY, et al. TESERA: morphologic subtyping and prognostic stratification of hepatocellular carcinoma from H&E whole-slide images. Hepatology. 2026 Oct 2. PMID: 42826064.
2. Llovet JM, Kelley RK, Villanueva A, et al. Hepatocellular carcinoma. Nat Rev Dis Primers. 2021 Aug 12;7(1):6.
3. Schulze K, Nault JC, Villanueva A. Genetic profiling of hepatocellular carcinoma using next-generation sequencing. J Hepatol. 2016 Aug;65(2):237–247.
4. Campanella G, Hanna MG, Geneslaw L, et al. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nat Med. 2019 Aug;25(8):1301-1309.
