MICS2024｜数字病理与人工智能在乳腺癌精准诊疗中的应用

小罗碎碎念

这两天在厦大开会，医学图像相关的学术会议。来之前一直在我自己的交流群里宣传这个会议，因为自己的推文与病理相关的比较多，所以群里的同行也比较关注这个会议病理相关的内容。

讲者简介

Scopus主页：https://www.scopus.com/authid/detail.uri?authorId=57195556992

报告中涉及的两篇Nature子刊。

⚠️：IF没有更新，Nat Genet目前最新IF是31.7，Nat Commun为14.7。

提一嘴，NC这篇文章，用了Hover Net，之前群里就讨论过，小罗也写过详细的推文。启发就是，经典的模型也可以发高分的文章，不要抠一些没有必要的细节，思路更重要。这句话既是提醒自己，也是和大家共勉！！

小罗的启发

我全程很专注的听完报告，并且听完以后感觉得到了一些启发，所以赶紧打开电脑写了这篇推送。

讲者是临床出身，所以这两篇文章，有一个很强烈的特点——方法学源于临床，嫁接与医学AI。人只能赚到自己认知领域的钱，类比过来，我们只能想到自己认知领域内的点子。所以，要想多创新点，就要放下成见，不要孤芳自赏，多和同行交流。

加入你和小罗一样，工科出身，那么也完全可以把理工男的思维嫁接到目前的课题中（不论是改进实验流程，还是具体的模型），这样更容易给读者眼前一亮的感觉，想着原来还可以这样。

有意思的点

大家注意看这两篇文献的接收时间和发表时间，然后就会发现，两项工作大概率是同时开展的。启发可不一定只源于文献的创意，更有价值的也许是大佬们做研究的方法。

学过计算机组成原理的应该知道，计算机领域的一个拐点是并行计算，那么我们做研究的时候也可以考虑并行计算，多点开花，互为验证。

再说点现实的，利益也好分配，哈哈，两边同时做，并且还不冲突，谁先做出来都是对另一方的有力补充。

Nat Genet｜综合多组学数据为HR+/HER2-乳腺癌患者提供定制化治疗方案

一作&通讯

作者类型	作者姓名	单位名称（中文）
第一作者	Xi Jin	复旦大学上海癌症中心乳腺外科重点实验室
第一作者	Yi-Fan Zhou	复旦大学上海癌症中心乳腺外科重点实验室
第一作者	Ding Ma	复旦大学上海癌症中心乳腺外科重点实验室
第一作者	Cai-Jin Lin	复旦大学上海癌症中心乳腺外科重点实验室
通讯作者	Yi-Zhou Jiang	复旦大学上海癌症中心乳腺外科重点实验室
通讯作者	Zhi-Ming Shao	复旦大学上海癌症中心乳腺外科重点实验室

文献概述

这篇文章通过建立大规模多组学队列，对HR+/HER2-乳腺癌进行了分子分类，并提出了基于分子亚型的精准治疗策略。

研究团队建立了一个包含579名HR+/HER2-乳腺癌患者的大规模多组学队列，并识别出四种分子亚型：

典型亮面型（canonical luminal）
免疫原性（immunogenic）
增殖性（proliferative）
受体酪氨酸激酶（RTK）驱动型

这四种亚型的肿瘤表现出不同的生物学和临床特征，提示了亚型特异性的治疗策略。特别是，RTK驱动亚型以RTK通路的激活为特征，并与不良预后相关。免疫原性亚型富含免疫细胞，可能从免疫检查点治疗中受益。

此外，研究者还开发了基于数字病理学的卷积神经网络模型，用以区分这些亚型，为潜在的临床转化提供了工具。这种分子分类提供了对分子异质性的见解，并突出了HR+/HER2-乳腺癌精准治疗的潜力。

研究还涉及了多组学数据的整合、亚型特异性代谢基因、极性代谢物和脂质的网络分析，以及与基因组事件的整合分析。研究结果可能为HR+/HER2-乳腺癌的代谢重编程提供驱动机制的见解。

文章还包括了对不同SNF亚型肿瘤的微环境特征的分析，特别是免疫细胞和基质细胞的丰度。研究发现，SNF2亚型的肿瘤免疫细胞特别是适应性免疫系统的细胞更丰富，而SNF4亚型的肿瘤中基质细胞如癌相关成纤维细胞（CAFs）和内皮细胞显著富集。

最后，研究讨论了多组学分类在临床实践中的应用挑战，并提出了基于多组学数据的精准治疗策略，可能为HR+/HER2-乳腺癌的精准医学应用铺平了道路。研究的局限性在于其基于回顾性数据分析，需要前瞻性临床试验来提供更有力的证据支持。

重点关注

图1提供了该研究的概览，展示了研究人员如何构建了一个HR+/HER2-乳腺癌的多组学队列，目的是进行多组学的综合性亚型分析。

研究流程包括以下几个关键步骤：

多组学队列构建：研究人员收集了579名患者的多组学数据，包括基因组学、转录组学、蛋白质组学、代谢组学和数字病理学等。
多组学整合亚型分析：通过相似性网络融合（Similarity Network Fusion, SNF）技术，研究人员对这些数据进行了聚类分析，最终确定了四种分子亚型：SNF1、SNF2、SNF3和SNF4。
亚型特征研究：对每个亚型的分子特征进行了深入研究，包括基因突变、基因表达、代谢物丰度和蛋白质表达等。
治疗策略识别：根据每个亚型的生物学特征，研究人员提出了针对特定亚型的治疗策略，例如针对增殖性亚型的CDK4/CDK6抑制剂，以及针对免疫原性亚型的免疫检查点疗法。
AI方法开发：研究人员开发了基于人工智能（AI）的临床适用方法，通过深度学习对病理全切片图像进行分析，以推断每个亚型。这种方法可以辅助临床医生更准确地对HR+/HER2-乳腺癌患者进行亚型分类，从而提供个性化的治疗方案。

Nat Commun ｜数字病理学揭示乳腺癌微环境的多样性与临床相关性

在这里插入图片描述

一作&通讯

作者角色	作者姓名	单位名称（中文）
第一作者	Shen Zhao	上海复旦大学上海癌症中心乳腺外科重点实验室
并列第一作者	De-Pin Chen	南京信息工程大学人工智能学院医学人工智能研究所
并列第一作者	Tong Fu	上海复旦大学上海癌症中心乳腺外科重点实验室
并列第一作者	Jing-Cheng Yang	广州大湾区精准医学研究院
通讯作者	Wen-Tao Yang	上海复旦大学上海癌症中心病理科
通讯作者	Yi-Zhou Jiang	上海复旦大学上海癌症中心乳腺外科重点实验室
通讯作者	Zhi-Ming Shao	上海复旦大学上海癌症中心乳腺外科重点实验室
通讯作者	Jun Xu	南京信息工程大学人工智能学院医学人工智能研究所

文献概述

研究团队通过开发一种名为单细胞形态和拓扑分析（sc-MTOP）的新框架，利用数字病理学技术对肿瘤生态系统进行了深入分析，构建了乳腺癌肿瘤生态系统的全景图谱，并揭示了与临床治疗响应和患者预后相关的肿瘤微环境特征。

这项技术通过提取细胞核形态和细胞间空间关系的特征，对单个细胞进行表征。

研究的主要发现和贡献包括：

sc-MTOP框架：通过数字病理学分析，构建了一个包含4.1亿个细胞的单细胞图谱，这些细胞来自637个乳腺癌全切片图像（WSIs）。
肿瘤生态系统的表征：研究揭示了肿瘤、炎症和基质细胞内部的表型多样性，并通过空间解析分析识别了与特定分子特征和患者预后相关的四种乳腺癌生态型。
临床相关性：通过多组学数据分析，研究团队发现：
- 局部聚集的炎症细胞的高丰度表明三阴性乳腺癌中免疫激活的肿瘤微环境和对免疫疗法的有利反应；
- 肿瘤核的形态异质性与激素受体阳性病例中细胞周期通路激活和CDK抑制剂反应性相关。
在线平台：为了方便数据共享和sc-MTOP框架的使用，研究团队开发了一个在线平台，提供数据管理和实时分析功能。
研究意义：这项研究不仅为理解癌症生物学和改善癌症管理提供了新的视角，而且为临床治疗决策和预后评估提供了可能的生物标志物。

文章还讨论了sc-MTOP框架与其他技术相比的优势，例如成本效益、易于在大型临床队列中验证和优化，以及在临床实践中的潜在应用。

此外，研究还指出了一些限制，比如当前的核分类算法无法进一步将核分类为不同的功能亚群，以及需要更多实验和前瞻性收集的证据来支持其临床转化。

重点关注

Fig. 1 展示了单细胞形态和拓扑分析（sc-MTOP）的框架及其生成的数据集。

a. sc-MTOP示意图：该框架首先使用Hover-Net在全切片图像（WSIs）上进行核分割和分类。然后，基于细胞核轮廓和细胞间空间关系，提取单个细胞的核形态、纹理和拓扑特征。

b. 多级成对图方法示意图：展示了如何在相同类型和跨细胞类型之间模拟细胞的空间关系（以肿瘤细胞为例）。T、I和S分别代表肿瘤细胞、炎症细胞和基质细胞。

c. 队列信息：提供了全切片图像的细胞组成以及患者的临床和多组学数据的信息。每个列代表一个患者。

d. sc-MTOP数据集的细胞组成：展示了整个sc-MTOP数据集中不同类型细胞的比例。

e. 根据乳腺癌IHC亚型的细胞组成：根据激素受体阳性/HER2阴性（HR+HER2-）、激素受体阳性/HER2阳性（HR+HER2+）、激素受体阴性/HER2阳性（HR-HER2+）和三阴性乳腺癌（TNBC）的分类，展示了不同IHC亚型中肿瘤细胞、炎症细胞、基质细胞和正常细胞的比例。使用卡方检验计算P值。

f. 箱线图：根据乳腺癌IHC亚型，展示了WSIs中肿瘤细胞、炎症细胞、基质细胞和正常细胞百分比的分布。