計(jì)算病理學(xué)應(yīng)用研究進(jìn)展與挑戰(zhàn)人工智能（AI）是病理學(xué)診斷和研究的重要新興方法，其不僅可用于病理形態(tài)數(shù)據(jù)分析，還可整合免疫組化、分子檢測(cè)數(shù)據(jù)和臨床信息，得出綜合的病理診斷報(bào)告，為患者提供預(yù)后信息和精準(zhǔn)的藥物治療指導(dǎo)[1]。計(jì)算病理學(xué)是病理學(xué)與AI、計(jì)算機(jī)視覺(jué)等信息技術(shù)交叉形成的細(xì)分研究領(lǐng)域，其概念形成于2014年[2]，并迅速成為醫(yī)學(xué)圖像分析領(lǐng)域的研究熱點(diǎn)。計(jì)算病理模型可批量化分析活檢樣本、突顯細(xì)微的異常模式，減小觀察者組內(nèi)與組間差異性，并在基礎(chǔ)研究中幫助理解疾病背后的生物學(xué)機(jī)制[3]。計(jì)算病理學(xué)應(yīng)用范圍極為廣闊，相關(guān)模型的開(kāi)發(fā)不僅涉及應(yīng)用背景，也涉及計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等諸多領(lǐng)域，具有較高的研究與應(yīng)用門檻。目前相關(guān)綜述主要從特定的器官、疾病或具體的建模技術(shù)、訓(xùn)練方式等計(jì)算機(jī)科學(xué)的視角展開(kāi)[4-6]。然而，計(jì)算病理的研究方法具有一定的普適性，在大部分情況下并不局限于特定的器官或疾??；另一方面，計(jì)算病理分析需求日益復(fù)雜，各項(xiàng)分析任務(wù)的技術(shù)邊界逐漸模糊。在此背景下，有必要對(duì)當(dāng)前的計(jì)算病理學(xué)應(yīng)用范疇與分析技術(shù)進(jìn)行歸納總結(jié)，以厘清其中存在的問(wèn)題與挑戰(zhàn)。1計(jì)算病理學(xué)應(yīng)用研究進(jìn)展計(jì)算病理學(xué)是利用圖像處理與AI技術(shù)對(duì)病理圖像進(jìn)行分析，以實(shí)現(xiàn)結(jié)構(gòu)單元的識(shí)別與定量化。根據(jù)切片類型，計(jì)算病理學(xué)研究可分為組織病理圖像分析、免疫組化圖像分析和細(xì)胞病理圖像分析?？傮w而言，計(jì)算病理的最終目的是通過(guò)自動(dòng)圖像分析技術(shù)輔助診斷、定量評(píng)估以及決策。為實(shí)現(xiàn)上述目的，計(jì)算病理學(xué)研究對(duì)象的粒度可從圖像的單個(gè)像素到患者預(yù)后、治療響應(yīng)等宏觀信息，具有不同的信息抽象程度。因此，筆者以組織病理圖像分析為例，將計(jì)算病理研究分為圖像預(yù)處理、癌灶檢測(cè)、組織學(xué)成分識(shí)別、細(xì)胞檢測(cè)、分子亞型預(yù)測(cè)以及預(yù)后預(yù)測(cè)等方面，其亦可用于免疫組化圖像與細(xì)胞病理圖像分析，如圖1所示。圖1

計(jì)算病理學(xué)應(yīng)用現(xiàn)狀TSR:腫瘤間質(zhì)比;TIL:腫瘤浸潤(rùn)淋巴細(xì)胞;TDLU:終末導(dǎo)管小葉單元;TMB:腫瘤突變負(fù)荷;MSI:微衛(wèi)星不穩(wěn)定性;MMRD:錯(cuò)配修復(fù)缺陷;HRD:同源重組缺陷;CIN:染色體不穩(wěn)定需要指出的是，計(jì)算病理模型的功能逐漸豐富，分析對(duì)象日漸復(fù)雜。在此背景下，前述各研究分支正在互相交融，不再存在明顯的邊界。例如，癌灶檢測(cè)通常作為后續(xù)亞型分類、分子病理標(biāo)簽預(yù)測(cè)、預(yù)后預(yù)測(cè)的前置步驟，組織病理圖像與免疫組化圖像之間也已通過(guò)配準(zhǔn)或虛擬染色等技術(shù)建立橋梁，以實(shí)現(xiàn)腫瘤切片感興趣成分的精準(zhǔn)量化與綜合分析。目前，計(jì)算病理的研究熱點(diǎn)已從癌灶檢測(cè)、分級(jí)等自動(dòng)診斷，轉(zhuǎn)向更深入的對(duì)腫瘤微環(huán)境（TME）、腫瘤免疫微環(huán)境（TIME）的定量化分析，精確地揭示腫瘤的個(gè)體特性，并發(fā)掘蘊(yùn)含在圖像中的亞視覺(jué)特征與臨床結(jié)局、治療響應(yīng)等重要臨床事件之間的聯(lián)系。1.1組織病理圖像分析癌灶檢測(cè)是組織病理圖像分析最經(jīng)典、應(yīng)用最多的領(lǐng)域。以乳腺癌前哨淋巴結(jié)轉(zhuǎn)移灶檢測(cè)競(jìng)賽Camelyon[7]為代表的大型切片數(shù)據(jù)集的公開(kāi)極大地促進(jìn)了組織病理圖像分析領(lǐng)域的發(fā)展，吸引了AI、信息技術(shù)以及醫(yī)學(xué)研究人員的廣泛興趣。1.1.1圖像預(yù)處理全視野數(shù)字圖像（WSI）常含有大量的無(wú)信息空白區(qū)域，可在較低分辨率下識(shí)別出有效的組織區(qū)域，以提升后續(xù)分析步驟的速度。早期方法多基于圖像紋理算子，近期研究則多采用輕量級(jí)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）。除玻片背景外，WSI中還常包含因記號(hào)筆、組織折疊產(chǎn)生的偽影，或因?qū)故‘a(chǎn)生的低質(zhì)量區(qū)，這些區(qū)域也可在預(yù)處理步驟予以識(shí)別和濾除。染色標(biāo)準(zhǔn)化可將待分析的切片進(jìn)行轉(zhuǎn)換，使其具有相對(duì)固定的顏色風(fēng)格，以緩解數(shù)字切片外觀差異導(dǎo)致的模型性能下降。早期方法多基于對(duì)染色矩陣的估計(jì)，以Macenko標(biāo)準(zhǔn)化為代表，近期研究開(kāi)始使用深度學(xué)習(xí)模型自動(dòng)進(jìn)行顏色轉(zhuǎn)換，亦稱為“染色遷移”。超分辨率技術(shù)可在不影響診斷質(zhì)量的前提下降低遠(yuǎn)程或在線會(huì)診的網(wǎng)絡(luò)傳輸數(shù)據(jù)量，該類方法以深度學(xué)習(xí)模型為主。1.1.2癌灶檢測(cè)癌灶檢測(cè)模型可識(shí)別WSI中可疑的惡性區(qū)域，既可用于癌灶輔助定位、批量分析活檢標(biāo)本，也可作為下游應(yīng)用（如組織學(xué)亞型和分子亞型分類）的前置環(huán)節(jié)。目前，基于深度學(xué)習(xí)的癌灶檢測(cè)模型已具備與專業(yè)病理醫(yī)師相近的診斷能力，并可輔助醫(yī)師提升診斷準(zhǔn)確性、對(duì)微轉(zhuǎn)移灶的靈敏度，縮短微轉(zhuǎn)移灶和陰性樣本的評(píng)估時(shí)間[8]。目前我國(guó)已有成熟的AI模型用于發(fā)病率較高的胃癌病灶檢測(cè)，顯著提高了診斷的準(zhǔn)確性，降低了誤診率[9]。亞型分類/分級(jí)是癌灶檢測(cè)領(lǐng)域的進(jìn)一步細(xì)化。亞型分類較多應(yīng)用于肺癌研究，包括肺腺癌、肺鱗癌的分類[10]，以及肺腺癌各生長(zhǎng)模式的比例定量評(píng)估[11]。腫瘤分級(jí)方面的工作以前列腺癌活檢Gleason評(píng)分居多，相關(guān)模型分類/分級(jí)能力已超過(guò)參與試驗(yàn)的病理醫(yī)師平均水平[12]。除針對(duì)特定腫瘤的檢測(cè)與分析外，近期研究還建立了原發(fā)灶不明的腫瘤識(shí)別與分類模型[13]。1.1.3組織學(xué)成分識(shí)別現(xiàn)代計(jì)算病理模型開(kāi)始關(guān)注TME中的多種成分，如腫瘤基質(zhì)、腫瘤浸潤(rùn)淋巴細(xì)胞（TIL）等。相關(guān)研究集中于結(jié)直腸癌病理圖像分析，通過(guò)識(shí)別其中的腫瘤上皮、間質(zhì)、淋巴細(xì)胞、壞死等成分，可對(duì)腫瘤間質(zhì)比（TSR）等指標(biāo)進(jìn)行量化，輔助預(yù)后風(fēng)險(xiǎn)分層[14]。在TIL方面，一項(xiàng)基于TCGA項(xiàng)目的泛癌分析顯示，基于CNN估計(jì)的淋巴細(xì)胞相關(guān)指標(biāo)與分子估計(jì)具有顯著一致性[15]。在肺癌等特定腫瘤中，TIL的空間分布結(jié)構(gòu)與復(fù)發(fā)風(fēng)險(xiǎn)顯著相關(guān)[16]。其他常見(jiàn)的組織成分識(shí)別目標(biāo)包括腫瘤出芽、微血管增生、三級(jí)淋巴結(jié)構(gòu)（TLS）、腫瘤神經(jīng)侵犯等。1.1.4細(xì)胞檢測(cè)細(xì)胞檢測(cè)的目標(biāo)是在較細(xì)的細(xì)胞粒度下實(shí)現(xiàn)單個(gè)細(xì)胞（核）的分割或分類。Hover-Net是目前最先進(jìn)的細(xì)胞檢測(cè)與分類方法[17]，利用PanNuke[18]、Lizard[19]等大型公開(kāi)數(shù)據(jù)集訓(xùn)練的模型可準(zhǔn)確識(shí)別切片中的腫瘤上皮細(xì)胞、非腫瘤上皮細(xì)胞、免疫細(xì)胞、結(jié)締組織細(xì)胞、凋亡細(xì)胞等。在細(xì)胞檢測(cè)的基礎(chǔ)上，量化細(xì)胞核的異型性[20]，或根據(jù)細(xì)胞空間位置關(guān)系構(gòu)建亞視覺(jué)圖像標(biāo)志物，在肺癌等腫瘤中預(yù)測(cè)新輔助化療療效[21]。此外，細(xì)胞檢測(cè)的結(jié)果也可與瘤區(qū)識(shí)別等結(jié)果結(jié)合，實(shí)現(xiàn)基質(zhì)TIL與瘤內(nèi)TIL的精確量化[22]。組織病理圖像分析中的細(xì)胞檢測(cè)與分類方法也可直接用于有絲分裂檢測(cè)、多核細(xì)胞檢測(cè)以及細(xì)胞病理圖像和免疫組化圖像中的細(xì)胞檢測(cè)與計(jì)數(shù)。1.1.5分子亞型預(yù)測(cè)基于組織病理的腫瘤分子亞型預(yù)測(cè)、突變預(yù)測(cè)等已成為近期計(jì)算病理的研究熱點(diǎn)。根據(jù)組織病理切片，可預(yù)測(cè)乳腺癌患者的雌激素受體、孕激素受體、人表皮生長(zhǎng)因子受體2狀態(tài)[23]，以及GNAS、FASN、DDX5、XBP1、ACTG1等基因的空間表達(dá)情況[24]；在結(jié)直腸癌中，可實(shí)現(xiàn)微衛(wèi)星不穩(wěn)定性（MSI）以及BRAF突變狀態(tài)預(yù)測(cè)[25-26]；在肺腺癌中，可預(yù)測(cè)腫瘤突變負(fù)荷（TMB）[27]以及常見(jiàn)的幾種基因突變[28]；在膠質(zhì)瘤中，可預(yù)測(cè)異檸檬酸脫氫酶突變狀態(tài)以及1p19q共缺失情況[29]。此外，還有涉及染色體不穩(wěn)定性、分子通路、miRNA、同源重組缺陷、錯(cuò)配修復(fù)缺陷以及特定基因突變情況等預(yù)測(cè)目標(biāo)的廣泛工作。1.1.6預(yù)后預(yù)測(cè)目前臨床已開(kāi)展多項(xiàng)針對(duì)TSR、TIL、TLS等指標(biāo)進(jìn)行精確量化的工作，基于此患者可獲得更好的生存風(fēng)險(xiǎn)分層方案。根據(jù)預(yù)后標(biāo)志物的建立方法，此方面的工作可分為兩個(gè)分支。第一分支基于病理學(xué)先驗(yàn)知識(shí)構(gòu)建生存標(biāo)志物，?？紤]TSR、TIL水平等指標(biāo)，具有良好的可解釋性；第二分支則通過(guò)端到端的深度網(wǎng)絡(luò)直接構(gòu)建預(yù)后模型[30]，或通過(guò)傳統(tǒng)的“特征提取+特征選擇+分類/回歸”方案構(gòu)建預(yù)后預(yù)測(cè)模型。需要指出的是，治療響應(yīng)預(yù)測(cè)可視為一種特殊的預(yù)后預(yù)測(cè)問(wèn)題，所使用的建模技術(shù)與普通預(yù)后預(yù)測(cè)無(wú)異。目前的研究主要涉及乳腺癌以及結(jié)直腸癌的新輔助化療響應(yīng)預(yù)測(cè)[31-33]以及黑色素瘤的PD-1治療響應(yīng)預(yù)測(cè)[34]等。1.1.7非腫瘤切片分析計(jì)算病理在非腫瘤切片分析中的應(yīng)用也較為廣泛，代表性的工作包括阿爾茨海默癥的β-淀粉樣蛋白量化評(píng)分[35]、心臟移植排異分級(jí)[36]、肝臟移植中脂肪變性量化[37]以及生精管與精子成熟狀態(tài)分級(jí)[38]等。1.2免疫組化圖像分析免疫組化圖像分析是計(jì)算病理學(xué)的另一重要應(yīng)用領(lǐng)域。相比于組織病理，免疫組化圖像分析更側(cè)重細(xì)胞檢測(cè)、分類，其方法與組織病理具有共通性。1.2.1細(xì)胞計(jì)數(shù)與染色分類作為免疫組化圖像分析的基本任務(wù)，細(xì)胞計(jì)數(shù)與染色分類可實(shí)現(xiàn)免疫組化指標(biāo)的客觀、可重復(fù)評(píng)分。早期研究通常基于色彩通道轉(zhuǎn)換與形態(tài)學(xué)運(yùn)算，近期深度學(xué)習(xí)模型開(kāi)始廣泛用于免疫組化圖像分析，分割其中的細(xì)胞核并對(duì)染色強(qiáng)度進(jìn)行分類。利用自動(dòng)評(píng)分系統(tǒng)，可實(shí)現(xiàn)TIME的精確分析，例如在乳腺癌的瘤心與瘤周區(qū)域分別量化CD8+細(xì)胞的密度[39]、計(jì)算PD-L1免疫浸潤(rùn)評(píng)分[40]等。相關(guān)方法同樣適用于多重免疫組化等圖像，以精確刻畫(huà)特定細(xì)胞群的交互。1.2.2免疫組化熱點(diǎn)檢測(cè)熱點(diǎn)檢測(cè)可作為計(jì)數(shù)的前置環(huán)節(jié)，通過(guò)標(biāo)識(shí)強(qiáng)染色區(qū)域、上皮區(qū)域或腫瘤區(qū)域，可實(shí)現(xiàn)更準(zhǔn)確的免疫組化評(píng)分。在一項(xiàng)涉及乳腺癌Ki-67指數(shù)評(píng)分的研究中，最初被判定為低增殖的病例，經(jīng)修正計(jì)數(shù)區(qū)域后被重新劃分為高增殖組[41]，表明利用免疫組化熱點(diǎn)檢測(cè)模型可優(yōu)化治療決策。1.3細(xì)胞病理圖像分析細(xì)胞病理圖像分析方法與組織病理、免疫組化圖像分析中的相關(guān)方法一致。從應(yīng)用的視角，該領(lǐng)域關(guān)于宮頸細(xì)胞的工作較多。目前，多中心、大規(guī)模的試驗(yàn)研究已表明AI具有比人類（醫(yī)師）更高的敏感性和特異性[42]。在宮頸細(xì)胞之外，涉及肺癌、膀胱癌、甲狀腺癌等腫瘤的細(xì)胞病理圖像分析工作正在進(jìn)行中。2計(jì)算病理學(xué)面臨的挑戰(zhàn)與解決途徑深度學(xué)習(xí)模型是目前標(biāo)準(zhǔn)的醫(yī)學(xué)圖像分析方案，已涌現(xiàn)大量研究成果。然而，作為一種數(shù)據(jù)驅(qū)動(dòng)方法，其性能依賴于訓(xùn)練數(shù)據(jù)的規(guī)模、質(zhì)量和多樣性。如何保障模型在應(yīng)用階段的穩(wěn)健性仍是計(jì)算病理領(lǐng)域的主要挑戰(zhàn)。此外，由于深度學(xué)習(xí)模型網(wǎng)絡(luò)層級(jí)較多、結(jié)構(gòu)復(fù)雜，這種黑箱特性在臨床研究與應(yīng)用中易產(chǎn)生信任危機(jī)。2.1來(lái)自數(shù)據(jù)的挑戰(zhàn)數(shù)據(jù)收集是計(jì)算病理模型開(kāi)發(fā)的基本問(wèn)題，病理圖像標(biāo)注對(duì)標(biāo)注者的專業(yè)知識(shí)要求較高，高質(zhì)量數(shù)據(jù)的缺乏已經(jīng)成為當(dāng)前計(jì)算病理研究的主要瓶頸。緩解標(biāo)注成本與標(biāo)注需求之間的矛盾是計(jì)算病理的重要研究方向，主要包含標(biāo)注策略、特征學(xué)習(xí)、訓(xùn)練策略等具體研究課題。常見(jiàn)的標(biāo)簽收集策略包括：(1)使用稀疏注釋，只標(biāo)注圖像的部分區(qū)域，多用于組織類型語(yǔ)義分割問(wèn)題；(2)以免疫組化圖像為金標(biāo)準(zhǔn)，通過(guò)退染復(fù)染或圖像配準(zhǔn)為HE圖像指派標(biāo)簽，已有工作使用CK8標(biāo)記上皮成分[43]、使用PPH3標(biāo)記有絲分裂像[44]等；(3)采用人在環(huán)（human-in-the-loop）或主動(dòng)學(xué)習(xí)（activelearning）技術(shù)，可利用少量的標(biāo)注建立初始模型，并通過(guò)標(biāo)注者與模型的迭代更有效地收集大規(guī)模的數(shù)據(jù)，該方案常用于細(xì)胞輪廓的注釋，在PanNuke與Lizard數(shù)據(jù)集的構(gòu)建過(guò)程中即使用了該策略。特征學(xué)習(xí)通過(guò)改進(jìn)模型或訓(xùn)練方法，可優(yōu)化模型的特征空間。預(yù)訓(xùn)練是其中最常用的技術(shù)，利用ImageNet等自然圖像數(shù)據(jù)集訓(xùn)練的模型進(jìn)行初始化，可加快訓(xùn)練速度、提升模型在小樣本數(shù)據(jù)集上的表現(xiàn)。此外，也可通過(guò)對(duì)抗生成訓(xùn)練、引入對(duì)比學(xué)習(xí)任務(wù)、進(jìn)行多任務(wù)學(xué)習(xí)等方式，利用輔助任務(wù)優(yōu)化模型。在訓(xùn)練策略方面，比較有代表性的研究方向?yàn)榘氡O(jiān)督學(xué)習(xí)和弱監(jiān)督學(xué)習(xí)。半監(jiān)督學(xué)習(xí)利用少量有標(biāo)注的樣本以及大量無(wú)標(biāo)注的樣本構(gòu)建模型，偽標(biāo)簽是其中最常用的技術(shù)。利用弱監(jiān)督學(xué)習(xí)，可僅使用切片級(jí)的標(biāo)簽（例如是否含有癌灶）構(gòu)建模型，多示例學(xué)習(xí)（MIL）是其中最有代表性的方法，但通常需要較多的數(shù)據(jù)（如＞10000張WSI）用于訓(xùn)練[45]，如何將其有效拓展到多分類任務(wù)仍尚待探索。2.2來(lái)自異質(zhì)性的挑戰(zhàn)病理圖像的異質(zhì)性是指圖像數(shù)據(jù)在外觀、內(nèi)容、空間分布等方面的差異性。模型在未得到充分訓(xùn)練的圖像模式上性能往往會(huì)下降，這種現(xiàn)象亦稱為域偏移[46]。因此，如何提升模型對(duì)異質(zhì)性數(shù)據(jù)的處理能力是計(jì)算病理的重要研究?jī)?nèi)容。數(shù)字病理切片制備的每一個(gè)步驟均會(huì)對(duì)最終切片外觀產(chǎn)生影響，并可能進(jìn)一步影響輔助診斷模型的性能。為了緩解該問(wèn)題，可采用前述的染色標(biāo)準(zhǔn)化或染色遷移預(yù)處理方法，也可在訓(xùn)練階段人工模擬圖像色彩的變化，使模型學(xué)習(xí)到對(duì)顏色變化魯棒的特征。數(shù)字病理圖像內(nèi)容的異質(zhì)性主要體現(xiàn)為其內(nèi)復(fù)雜多變的組織學(xué)成分。通過(guò)建立組織學(xué)成分語(yǔ)義分割模型與細(xì)胞分割、分類模型，獲取組織學(xué)成分與細(xì)胞圖譜，可刻畫(huà)組織學(xué)成分方面的異質(zhì)性，支持進(jìn)一步的量化分析。病理診斷不僅依賴于組織學(xué)成分與細(xì)胞，其所處的空間位置與上下文也具有重要的意義。擴(kuò)充模型的有效視野可引入更多的語(yǔ)義上下文，提升模型準(zhǔn)確度，但終將受到設(shè)備容量的限制。多分辨率模型可充分利用不同分辨率下的圖像信息以兼顧視野廣度與細(xì)節(jié)。切片信息整合的目的是綜合局部分析結(jié)果，形成切片級(jí)的診斷結(jié)果。常用的整合方式包括平均值、類別比例、最值、百分位數(shù)等，也可結(jié)合空間連續(xù)性或基于統(tǒng)計(jì)量引入額外的機(jī)器學(xué)習(xí)或深度學(xué)習(xí)模型。2.3來(lái)自可解釋性的挑戰(zhàn)深度學(xué)習(xí)模型通常結(jié)構(gòu)極為復(fù)雜，目前對(duì)其機(jī)理的理解尚不透徹。因此，如何提升模型的可解釋性并增強(qiáng)其可信度是計(jì)算病理領(lǐng)域的重要話題，對(duì)于計(jì)算病理模型在臨床的推廣具有重要意義。2.3.1預(yù)測(cè)結(jié)果可視化模型在切片局域的預(yù)測(cè)結(jié)果可完整拼接后，通過(guò)熱力圖、標(biāo)簽圖等形式直觀呈現(xiàn)給終端用戶。癌灶檢測(cè)模型的預(yù)測(cè)結(jié)果常以熱力圖蒙板形式疊加顯示，以輔助醫(yī)師對(duì)關(guān)鍵診斷區(qū)域的快速定位；標(biāo)簽圖常用于組織類型語(yǔ)義分割和