跳到正文
原文
生物谷·资讯·· 17 天前AI 评分58

AI 模型用常规 HE 病理切片预测肝癌血管生成、干细胞与自噬表型

Journal of Advanced Research:不用测序!一张病理切片就能读懂肝癌“隐藏性格”,AI依托常规病理图像预测肿瘤表型

AI 导读

研究团队搭建病理分析体系,用肝癌苏木精-伊红染色切片预测血管生成、干细胞特性与自噬三类转录表型,成果刊于 Journal of Advanced Research。

正文

来源:生物谷原创 2026-11-03 09:37

该研究搭建病理分析体系,利用肝癌苏木精 伊红染色切片预测血管生成、干细胞特性、自噬转录表型,预测结果与患者预后、药物反应及免疫组化标志物存在显著一致性。

在肝癌的临床诊疗过程中,经常会遇到这样的情况:部分患者病情情况相近,使用同样的靶向或者介入治疗,有的人肿瘤得到很好控制,也有不少患者治疗收效甚微。造成疗效参差不齐的核心原因,正是肝癌与生俱来的肿瘤异质性。即便同为肝细胞癌,不同患者的肿瘤在分子层面差异巨大,既直接左右治疗能否起效,也会影响患者的远期生存。

想要明确肿瘤的分子特征,高通量测序是目前较为成熟的检测手段。但这项检查费用较高,报告周期长,还会消耗珍贵的肿瘤组织样本,难以在普通医院作为常规项目普及。

实际上,每一位接受手术或穿刺活检的肝癌患者,病理科都会留存HE染色切片。这类切片原本用于病理医生在显微镜下观察细胞形态。科研团队由此设想,能否充分挖掘这些已有病理玻片蕴含的信息,在不增加额外分子实验的前提下,解析肿瘤内在的生物学特点。相关研究成果刊发于Journal of Advanced Research。

研究依托公共数据库的基因表达数据,将肝癌样本划分为血管生成、干细胞特性、自噬三个表型亚组。不同亚组患者的生存预后存在区别,对索拉非尼、经动脉化疗栓塞这两种临床常用疗法的敏感程度也各不相同。

整套分析流程可以精准识别切片内的肿瘤区域,排除正常组织造成的信号干扰,肿瘤识别模型AUC达到97.53%。内部样本测试中,三类表型预测AUC介于85.51%‑91.05%。研究再采用武汉大学人民医院、华中科技大学同济医院的真实临床样本开展外部验证,血管生成、干细胞特性、自噬表型AUC分别为70.94%、88.64%、91.17%。

图1 肝癌表型预测模型的构建流程

模型输出的判断结果,能够和免疫组化检测结果相互印证。血管生成表型对应标志物CD31、CD105,干细胞特性表型对应CD133、LGR5,自噬表型对应Beclin‑1、p62‑LC3B。 注意力热图还可以直观呈现切片上关键的形态学线索,新生血管、核质比升高、细胞胞质空泡化,都是模型重点关注的组织学改变。

图2 表型预测模型生成的代表性注意力热图及其与表型标志物表达的比对

表型分组和肿瘤分化程度同样存在关联,干细胞特性、自噬水平偏高的肿瘤中,低分化样本占比更高。将表型信息纳入传统预后评估体系后,模型对患者1年、3年、5年总生存的预测能力得到提升。

图3 表型预测模型与免疫组化标志物的一致性分析

长期以来,解析肝癌的个体差异大多依赖门槛较高的分子检测。这项研究证实,临床上极易获取的常规病理切片,就可以反映肿瘤多项关键生物学特征,评估结果和患者预后、治疗应答密切相关。这套方案无需开展额外分子检测,具备明显成本优势,可以作为分子检测的有力补充,为肝癌患者分层管理、个体化诊疗落地以及数字病理的临床转化,提供了切实可行的新思路。(生物谷Bioon.com)

参考文献:

Zhang H, Li J, Sheng J, et al. Rapid and label-free analysis of biological characteristics of hepatocelluar carcinoma tissues based on histological images. J Adv Res. Published online November 1, 2026. doi:10.1016/j.jare.2026.10.067

版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。

87%用户都在用生物谷APP 随时阅读、评论、分享交流 请扫描二维码下载->

来源:生物谷·资讯 · news.bioon.com