肺癌是全球范围内导致癌症相关死亡的主要原因之一，其中非小细胞肺癌(Non-Small Cell Lung Cancer, NSCLC)占据了绝大多数病例。在临床诊疗中，准确区分NSCLC的不同病理亚型，例如腺癌(Adenocarcinoma, AC)和鳞状细胞癌(Squamous Cell Carcinoma, SqCC)，是制定个体化治疗方案和判断预后的关键一步。然而，传统的病理诊断流程犹如一场“马拉松”，充满了等待与繁琐。病理科医生需要将组织样本经过固定、脱水、包埋、切片等一系列处理后，再进行复杂的染色和免疫组织化学(Immunohistochemistry, IHC)标记。这些步骤不仅耗时长达数天，成本高昂，而且高度依赖病理医生的专业经验和技术水平。在争分夺秒的癌症治疗中，这种时间延迟无疑为患者带来了额外的焦虑与风险。有没有一种方法，能够像“快照”一样，快速、无损地“看清”肿瘤的本质，从而加速诊断进程呢？
近期发表在《npj Digital Medicine》上的一项研究，为这一难题提供了极具前景的解决方案。由研究人员开展的工作，提出了一种创新的“标签自由”策略，旨在绕过传统复杂的染色步骤，直接对未经染色的NSCLC组织样本进行快速、准确的病理亚型鉴定。
为了达成这一目标，研究人员巧妙地结合了先进的光学成像技术与人工智能算法。他们采用了自发荧光成像技术，利用组织自身的内在荧光特性来获取图像信息，完全无需外源性染色剂。具体采用了两种成像模式：强度成像和寿命成像。获取到的原始图像数据，成为了训练深度学习(Deep Learning, DL)模型的“素材”。研究人员构建了深度学习模型，主要执行两项核心任务：一是直接的分类任务，即区分非癌组织、腺癌(AC)、鳞状细胞癌(SSqCC)及其他亚型(OS)；二是生成任务，即创建出可与传统金标准媲美的“虚拟免疫组化染色”图像，特别是针对腺癌的标志物甲状腺转录因子-1(Thyroid Transcription Factor-1, TTF-1)和鳞状细胞癌的标志物p40。整个研究通过严谨的实验设计和盲法评估（由三位经验丰富的胸部病理学家进行）来验证方法的有效性与临床适用性。
研究结果
深度学习分类模型表现出极高的鉴别能力
研究团队训练了基于自发荧光图像的深度学习分类模型。在区分癌与非癌组织的二分类任务中，模型表现卓越，受试者工作特征曲线下面积(Area Under the Curve, AUC)达到了0.981。在更具挑战性的多分类任务中，即同时区分非癌组织、腺癌(AC)、鳞状细胞癌(SqCC)及其他亚型(OS)，模型依然保持了惊人的判别力，AUC高达0.996。这充分证明了仅利用未染色组织的自发荧光信号，通过深度学习算法即可实现极其精准的NSCLC亚型区分。
生成的虚拟免疫组化染色达到临床评估标准
除了直接分类，本研究另一个突出贡献是生成了高质量的虚拟免疫组化染色图像。深度学习模型能够根据自发荧光图像，合成出显示特定蛋白质标志物（如TTF-1和p40）分布的虚拟染色图像。这些虚拟图像与通过传统物理化学染色流程获得的真实免疫组化染色图像在视觉上高度相似。为了客观评估其临床可用性，研究邀请了三位资深胸部病理学家在不知情（盲态）的情况下对这些虚拟染色图像进行评估。评估结果表明，生成的虚拟染色图像质量符合临床诊断级标准，病理学家能够基于这些图像做出可靠的诊断判断，这为将其整合到实际诊断流程中奠定了坚实基础。
方法在强度成像与寿命成像模式下均表现稳定
研究还比较了两种不同的自发荧光成像模式——强度成像与寿命成像——作为深度学习模型输入的效果。结果表明，基于这两种成像模式所训练出的模型，在分类准确性和虚拟染色质量上均取得了优异且稳定的结果。这提示该方法对不同成像技术具有一定的鲁棒性，拓宽了其潜在的应用场景与技术选择。
研究结论与讨论
本研究成功开发并验证了一套全新的、完整的“标签自由”非小细胞肺癌病理分型工作流程。该工作流的核心价值在于，它完全摒弃了传统病理诊断中不可或缺但效率低下的组织化学染色和免疫组化标记步骤。仅利用未染色组织的自发荧光图像，结合深度学习算法，就能实现两方面的突破：一是对NSCLC主要亚型进行快速、自动化的高精度分类；二是生成可用于临床诊断决策的高保真虚拟免疫组化染色图像。
这项研究的结论具有多重重要意义。首先，在诊断效率上，它有望将病理诊断流程从以“天”为单位缩短至以“小时”甚至更短时间单位计算，显著加速了从患者活检到获得明确病理报告的整个过程，为尽早开始治疗争取了宝贵时间。其次，在诊断成本上，它减少了对昂贵抗体试剂、复杂染色设备及大量人工操作的依赖，有可能降低整体诊断费用。最后，在诊断可及性上，该技术方案提供了一种相对标准化、自动化的分析手段，有助于缓解对高度专业化病理医生的绝对依赖，使得优质病理诊断能力更易于在资源相对有限的医疗机构中推广。
尽管该研究在方法学上取得了令人瞩目的成果，作者在讨论中也指出了未来需要探索的方向。例如，研究需要在更大规模、多中心、更具人群代表性的前瞻性样本队列中进行进一步验证，以确认其普遍适用性和稳健性。同时，如何将这一技术无缝集成到现有数字化病理工作流程及医院信息系统中，也是实现其临床转化必须解决的实际问题。此外，探索该框架是否可扩展应用于其他癌症类型（如乳腺癌、前列腺癌等）的病理分型，也将是未来有趣的研究方向。
总而言之，这项研究开创性地将自发荧光成像与深度学习相结合，为癌症病理诊断领域带来了一种范式转换式的工具。它不仅仅是一项技术创新，更是指向未来智能病理诊断发展方向的生动案例，标志着数字病理学与人工智能在推动精准医疗发展方面迈出了坚实的一步。随着后续研究的深入和技术的完善，这种“标签自由”的诊断模式有望真正走进临床，让更多肺癌患者受益于更快速、更精准的诊断服务。
打赏
