肾透明细胞癌（ccRCC）是泌尿系统最“狡猾”的杀手之一：早期患者术后五年生存率可逾90%，而一旦出现转移，数字骤降至10%–20%。面对这一断崖式落差，临床亟需能在初诊时就“看穿”肿瘤底牌的工具。传统病理分级、TNM分期早已力不从心；血清学指标、CT影像也难窥分子真相。更棘手的是，肿瘤微环境（TME）里的“帮凶”——癌症相关成纤维细胞（CAFs）——已被证实通过分泌胶原、构建免疫抑制屏障，为癌细胞“铺路搭桥”，却苦于缺乏经济、快速、可重复的检测手段。免疫组化（IHC）标记α-SMA、FSP-1不仅费用高，还受抗体批次、染色深浅左右；单细胞测序虽精度高，却与常规病理流程“水土不服”。于是，一个大胆设想浮出水面：能否让每张病房里触手可及的苏木精-伊红（H&E）切片，摇身变成CAFs的“照妖镜”？
带着这个问题，Rongjiang Wang、Mengting Jiang等研究者依托TCGA-KIRC多中心队列，开展了迄今最大规模的ccRCC-CAFs病理组学探索。他们从15家机构收录的354例原发、未治、影像-病理-随访信息完备的病例出发，先以EPIC算法计算转录组水平的CAFs浸润得分，并以0.047为界将患者分为高、低浸润组；发现高浸润组中位总生存（mOS）仅74.7个月，显著低于低浸润组（P=0.0035），多因素Cox验证其独立预后价值（HR=1.43，P=0.044）。至此，CAFs“坏角色”身份被再次坐实。
既然CAFs与不良结局铁证如山，团队便着手打造“无创侦探”——Pathomics模型。首先，将对应患者的40×数字H&E切片进行OTSU自动分割，剔除背景与伪影，每例随机截取10张1024×1024像素图块；随后用PyRadiomics提取465维纹理、形状、小波高阶特征，经z-score归一化。通过最大相关最小冗余（mRMR）与递归特征消除（RFE）双筛，锁定6个最具判别力的特征，交由XGBoost训练。训练集248例、验证集106例的基线分布无差异，确保结果可信。模型输出0–1概率值，即Pathomics Score（PS）。ROC曲线显示，训练集AUC=0.813，验证集AUC=0.782；校准曲线与Hosmer-Lemeshow检验P>0.05，DCA曲线亦证实临床获益。以0.428为截点，高PS组患者病理分期、组织学级别显著更高，mOS再次缩短（76.6个月 vs 未达中位，P=0.0048），多因素HR=1.805，提示PS是独立于年龄、分期、分级的预后因子。
为回答“PS到底看见了什么”，研究者引入多光子显微镜。2023年1月至2024年3月，他们前瞻性收集25例ccRCC新鲜标本，同一区域连续切片分别行H&E与双光子二次谐波（SHG，胶原信号）/双光子自发荧光（TPEF）成像。自动算法量化胶原面积百分比后与PS进行Pearson相关分析，r=0.66（P<0.001）；高胶原组PS显著高于低胶原组（P<0.001），首次直接证明：模型捕捉的纹理信息正是CAFs介导的胶原沉积与基质重塑。
机制探索环节，团队利用TCGA转录组做GSVA富集分析。高PS样本中，KEGG“糖胺聚糖-硫酸软骨素合成”通路及Hallmark“KRAS信号下调”通路显著富集，提示ECM糖基化修饰与CAFs驱动的RAS通路交叉对话。免疫层面，高PS组CD276（B7-H3）、CD44、LGALS9、LAIR1表达上调，IDO1、HHLA2下调；ImmuCellAI算法显示NK细胞浸润增加、γδ T细胞减少、初始CD4+ T细胞增多，勾勒出“免疫抑制-逃逸”图谱。突变景观方面，高、低PS组VHL、PBRM1突变率均逾40%，但高PS组MTOR、KDM5C、ATM、BAP1等突变频率更高，提示mTOR抑制剂或PARP抑制剂潜在获益人群。
综上，作者构建并验证了一种仅依赖常规H&E切片的Pathomics模型，可无创、低成本、高通量地“量化”ccRCC的CAFs-胶原微环境，实现患者风险精准分层；结合多光子胶原验证、免疫-突变多组学解析，为后续靶向CAFs或联合免疫治疗提供可落地的生物标志物。论文发表于《Translational Oncology》，编辑部认为该研究“让百年历史的H&E染色焕发出预测与机制并重的全新生命力”。
关键技术方法：1）TCGA-KIRC多中心354例原发未治ccRCC队列获取H&E数字切片及临床-转录组数据；2）OTSU自动组织分割+PyRadiomics提取465维图像特征；3）mRMR-RFE双筛+XGBoost构建Pathomics模型；4）EPIC算法计算CAFs浸润分数作金标准；5）多光子显微镜SHG/TPEF成像量化胶原面积；6）GSVA、ImmuCellAI、maftools进行通路、免疫细胞及突变分析。
研究结果：
探索CAFs浸润在ccRCC预后中的临床意义——高CAFs浸润独立关联不良生存。
构建并验证Pathomics模型——6个纹理特征实现AUC≈0.80，PS为独立预后指标。
与TIL模型及GLM比较——PS与免疫浸润互补，预测性能更优。
多光子胶原验证——PS与胶原面积百分比强相关，生物可解释性获直接证据。
分子机制解析——高PS富集ECM糖胺聚糖通路、免疫抑制基因及VHL/PBRM1等高突变。
结论与讨论：该研究首创性地证明“一张H&E=一张CAFs地图”，将人工智能病理组学从“肿瘤细胞”视角拓展至“基质微环境”，为ccRCC精准医学提供可立即嵌入现有病理流程的低成本工具。尽管模型尚待外部多中心验证，并需IHC或多重荧光补充CAFs亚群定位，但其与胶原沉积、免疫逃逸及驱动突变的紧密关联，已为靶向CAFs治疗、联合免疫检查点抑制剂及个体化靶向用药筛选奠定分子基础。未来，标准化染色-扫描流程、前瞻性干预研究及整合多组学迭代，将进一步推动该Pathomics评分走向临床，实现“显微镜下的精准肿瘤学”。
打赏
