人工智能可以检测出病理学家遗漏的早期前列腺癌

《科学报告》显示，人工智能能够识别前列腺活检样本中隐藏的肿瘤形态学线索，而这些样本此前被病理学家误认为是良性的。一个使用弱监督方法训练的深度学习模型预测了哪些PSA升高的男性会在未来30个月内发展为具有临床意义的前列腺癌（ISUP > 1），哪些男性至少会在8年内保持无癌状态。这为在初次“清洁”活检后立即进行早期风险分层打开了大门，并可能有助于确定哪些人真正需要重复侵入性操作和加强监测。

研究背景

前列腺初次穿刺活检常会产生假阴性结果：相当一部分具有临床意义的癌症仍未被发现，尤其是在传统的系统性经直肠超声（TRUS）活检中。MRI引导的引入提高了具有临床意义的癌症的检出率，并减少了不必要的重复检查次数，但即使采用现代策略，仍有一些侵袭性肿瘤未被发现。临床难题依然存在：哪些患者应该在“清洁”活检后进行观察，哪些患者应该转诊进行早期重复活检，以免延误诊断，并避免患者因侵入性干预而负担过重。

解决这一问题的生物学基础是TINT（肿瘤指示/指示正常组织）现象：肿瘤“重构”了器官周围看似正常的组织，并在其中留下微弱但系统性的痕迹——从基质重塑、缺氧到代谢变化。这些变化已在实验模型和前列腺癌患者中得到描述，并且与肿瘤的侵袭性相关，这使得“正常”组织成为诊断信号的潜在来源，即使在活检样本中没有明显的癌性腺体。

数字病理学和深度学习方法旨在从标准H&E切片中提取此类“细微”的视野特征。与关注明显肿瘤结构的传统形态学不同，算法可以捕捉与器官其他部位肿瘤存在相关的基质和上皮的分布模式。这为在活检阴性后立即进行风险分层开辟了道路：较高的玻璃“评分”提示需要尽早重复活检或MRI引导，而较低的玻璃“评分”则支持更温和的观察。

这就是《科学报告》上一项新研究背后的理念：作者测试了人工智能能否基于TINT活检的形态学线索预测未来30个月内具有临床意义的前列腺癌。这项研究以之前发表的预印本为基础，为在初始“清洁”活检后的患者诊疗流程中实施“现场”数字生物标记物奠定了应用基础。

如何完成：设计、数据、算法

作者回顾性地收集了232名PSA升高且针吸活检初步诊断为“良性”的男性患者（经过技术控制后，最终分析纳入了213名患者和587张切片；活检样本采集于1997年至2016年，瑞典于默奥）。每位患者根据年龄、诊断年份和PSA水平与一对“镜像”匹配：一半患者在诊断后期（≤30个月）被诊断出患有前列腺癌，另一半患者至少8年未患癌。H&E切片被数字化（20倍放大），切成256×256像素的切片，并输入到CLAM（聚类约束注意力多实例学习）——一种现代弱监督学习方案，其中仅已知患者的命运，而不知道每个像素的标记。特征提取使用在57个组织病理学数据集上预训练的ResNet18进行。终点是二元的：低风险（良性/ISUP1）与高风险（ISUP2-5）。

预测准确率

在一项独立测试中，该模型在切片层面的AUC达到0.81，在患者层面的AUC达到0.82。在可接受的阈值下，灵敏度为0.92，假阳性率为0.32（患者层面）。换句话说，在初次活检“漏检”的患者中，尽管存在一些误报，但AI正确地标记出了绝大多数很快被确诊为临床显著癌症的患者。对于临床医生来说，这是一个信号：“良性”活检反应≠零风险，并且可以通过数字玻璃进行定量分层。

人工智能究竟在“正常”组织中“注意到”了什么？

通过 UMAP 和注意力图的解释表明，基质变化最具参考价值：

• 基质中胶原蛋白增多（基质压实，“纤维化”）；
• 腺体周围平滑肌细胞减少；
• 腺上皮中不太常见的是细微信号，可能低于可用的下采样分辨率。
  这种模式符合TINT（肿瘤指示/指示正常组织）的概念：即使是隐藏肿瘤的器官中的“常态”，也会在其影响下发生重构，与没有肿瘤的器官中的“常态”有所不同。癌症不仅是一个病灶，也是一个场，而人工智能正在学习解读这种场效应。

该方法在实践中有何用处——潜在场景

• 基于风险的再次活检：“干净”玻璃上的高 AI 率 - 支持早期再次活检或 MRI 引导而不是等待的论点。
• 监测个性化：低速可平衡“边缘”MRI 后的焦虑，并允许调节监测强度。
• TINT 模式训练：注意力图和交互式叠加层可帮助病理学家看到癌症周围的细微区域，从而提高报告的一致性。

了解局限性很重要

该研究是瑞典北部一家单一中心（主要为白种人），采用回顾性研究设计，基线活检未在MRI引导下进行（系统性经直肠超声活检），标记物是未来结果，而非“同一张载玻片上的隐匿性肿瘤”。目前尚未在独立中心/扫描仪上进行外部验证，也尚未有前瞻性试验评估该算法对临床决策和结果的影响。假阳性率仍然很高——该模型并非取代医生，而是为共享决策增加了一个概率层。

下一步：实施路线图

• 多中心外部验证（不同的扫描仪、协议、种族群体）。
• 前瞻性决策研究：AI 评分是否会改变患者的轨迹（诊断时间、不必要的重复活检次数、过度/不足诊断）。
• 与 MRI 和临床的整合：组合模型（PSA、MRI PIRADS、临床因素 + 根据 H&E 的 TINT 评分）。
• 技术步骤：数字化标准化、数据漂移控制、可解释性（常规注意力覆盖）。

来源：Chelebian E.、Avenel C.、Järemo H.、Andersson P.、Bergh A.、Wählby C. 等。通过人工智能发现良性前列腺活检中肿瘤的形态学改变。《自然》杂志《科学报告》（Nature Portfolio），发表于2025年8月21日。DOI：https://doi.org/10.1038/s41598-025-15105-6