人工智能在透明病理學中的應用研究進展

劉茜，韓凱泰，黃夢圓，劉石頭，郭前進

0 前言

透明病理是一種從數字病理學發展而來的新的病理學理論，其概念是由浙江大學教授田梅和張宏等首次于2021年在《歐洲核醫學與分子影像雜志》中提出[1]。文章指出，透明病理旨在利用分子影像的優勢來解決傳統病理中活檢有創取樣[2]、有限取樣[3]且離體組織缺少代謝信息和灌注信息等問題。分子影像能對活體中的生物分子和生物過程進行無創的、時空動態的可視化[4]，而透明病理則將跨尺度、多模態的分子影像與病理學相結合，以實現對在體疾病的病理生理信息和變化過程進行快速、無創（或微創）、時空動態的可視化、表征及測量。與此同時，透明病理還可以結合臨床特征、生物分子、代謝功能、組學特征等多維信息對患者進行全身水平的精確評估，這有助于人類系統地理解復雜的疾病病理、疾病發展及預后。透明病理中采用的多尺度成像方法主要分成三層[1]：以PET/CT為代表的兼顧宏觀空間尺度和微觀生化成像方法、以MRI為代表的介觀成像方法和以光學成像為代表的微觀成像方法。透明病理的提出實現了對病理生理信息在跨尺度影像視角下的無創解讀，促進了基礎研究向臨床實踐的轉化。PHELPS等[5]對透明病理的理念高度評價，認為其是多年科研和臨床實踐的總結，是分子影像和病理內在聯系的高度概括，開啟了精準醫療和未來醫學的新篇章。

近年來，人工智能技術在分子影像學和數字病理學中均有著廣泛的應用。透明病理是多模態分子影像和數字病理結合產生的新的病理學實踐，人工智能技術在其發展過程中將會發揮不可替代的作用。例如，虛擬染色[6-7]是一種基于人工智能技術的組織學數字化染色方法。它不僅能夠擴大數字病理學的診斷范圍，還與分子成像技術關聯緊密，甚至可以與非侵入性的顯微成像技術結合，為活體染色提供新的可能。多尺度成像[8-10]是一種采用多種成像模態在活體水平上進行圖像采集的方法，它能夠獲取患者的多維醫學數據，輔助醫生對患者的病灶信息進行全面評價；基于該方法建成的多模態深度學習醫療數據分析系統[11]將促進透明病理實踐的臨床轉化，成為精準醫療的重要支持工具。此外，使用不斷發展的人工智能技術來優化現有的成像設備也是一直以來的研究熱點之一[12]。例如，全自動定位技術可以通過數據采集過程的自動化來實現患者的自動定位[13]和采集參數的優化，進而降低患者接受到的輻射量。

本文介紹了透明病理學的概念和其在病理學實踐中的優勢，并列舉了三個可能促進透明病理學實踐發展的人工智能技術，包括虛擬染色、多尺度成像與診斷和全自動定位。為了深入探討在透明病理學實踐發展中有促進潛力的人工智能技術，本文將首先回顧人工智能技術在分子影像學中的應用和在數字病理學中的發展，然后分別闡述三種人工智能技術中具體的前沿方法，以及其在透明病理學實踐中的應用前景。最后，本文對透明病理學實踐發展過程中遇到的挑戰進行總結，同時展望未來人工智能技術在透明病理學實踐中的發展。本文首次以綜述的方法來探討對透明病理學實踐發展有促進作用的人工智能技術，期待能提高人們使用人工智能技術發展透明病理學的意識，推動透明病理學從基礎研究轉向臨床實踐，開發更多與臨床診療相關的生物標志物和診斷工具，為實現精準醫療提供強有力的支持。

1 分子影像學和人工智能

分子影像學是一門交叉學科[4]，包括但不限于分子生物學、生物化學、免疫學、醫學、組學、納米技術、蛋白質工程等多個領域，能夠在活體狀態下，對細胞和分子水平的生物信息及過程進行非侵入、全面、時空動態的可視化、表征和測量。

分子影像學所使用的成像技術主要可分為五類：（1）核成像，典型代表為單光子發射計算機斷層掃描（single photon emission computed tomography,SPECT）和PET；（2）CT；（3）MRI；（4）超聲；（5）光學成像，包括熒光成像（fluorescence imaging, FI）、表面增強拉曼散射成像和生物發光成像等。不同模態的成像方式有著不同的空間尺度和不同類型的分子信息，詳細數據見表1[4]。

表1 分子成像技術Tab.1 Molecular imaging

人工智能技術在分子影像中有兩個重要應用領域，第一個應用領域就是通過使用不斷發展的人工智能技術來改善單一模態成像設備的局限性。例如，在MRI 中通過使用基于深度學習方法（一種人工智能技術）的圖像采集和圖像重建技術來加速圖像生成[14]，在共聚焦顯微鏡中使用內容感知圖像恢復網絡對高成像速度獲得的圖像進行降噪處理以提高圖像質量[15]。此外，深度學習模型可以將使用低劑量示蹤劑生成的PET 圖像模擬轉換為使用標準劑量生成的PET 圖像，而診斷準確性不變[16]，這將有效降低患者在成像階段接受的輻射量。另一個重要應用領域是對通過分子成像技術采集到的數據進一步分析處理以獲得成像生物標志物，并用于各種臨床目的[17]。從技術處理角度來看，這部分涉及圖像降噪、圖像校正、圖像融合、多尺度圖像配準、圖像量化[18]等，從臨床應用角度來看，人工智能技術和分子影像技術的結合在神經科學、腫瘤學、心臟病學等多領域中能夠輔助醫生疾病診斷、可視化病理生理進展以及對患者進行預后分析和診斷。例如，CHOI 等[19]基于氟代脫氧葡萄糖（Fluorodeoxyglucose18F,18F-FDG）腦部PET 圖像建立了一個能夠區分阿爾茨海默病患者和正常人的深度學習模型。該深度模型不僅可以預測哪些是迅速轉成阿爾茨海默病的輕度認知障礙患者，還能區分帕金森患者和癡呆患者。需要額外指出的是，試驗使用的18F-FDG 是一種能夠可視化阿爾茨海默病進展的PET 顯像劑。CHOI 等[20]使用經典圖像處理算法對在腦膠質瘤患者的T2液體衰減反轉恢復序列的圖像進行腫瘤體積分割，在磁共振波譜圖像上通過對2-羥基戊二酸的定量測量來監測異檸檬酸脫氫酶基因的突變情況，進而準確評估腫瘤進展。此外，使用深度學習網絡還可以從活細胞的受激拉曼散射顯微鏡圖像中預測亞細胞蛋白質定位[21-22]，這在藥物開發和分子靶點選擇上有著重大意義。除了上述提到的直接處理醫學影像，通過從醫學影像中提取組學特征，再進行后續處理也是人工智能量化分析醫學影像的一種重要方法，被廣泛應用于腫瘤診斷[23]、鑒別診斷[24]、淋巴結轉移[25]、淋巴血管間隙浸潤[26]、預后預測[27]等多個方面。

總的來說，分子影像技術作為一種體內成像的探測方法，具有無創、快速且時空動態獲取分子信息及可視化生物過程的優勢，在腫瘤[28-29]、神經科學[19,30]、心腦血管疾病[20,31]、基因治療[32]、細胞追蹤[33]、亞細胞定位[34]等多個方面具有廣泛應用，特別是在疾病的早期診斷、病理生理過程可視化、圖像引導治療、患者的個性化治療、治療效果的精確評估以及新藥的快速研發等領域[29,35]開辟了新的途徑，同時也為多角度深入理解復雜疾病的致病機理和發病過程提供新的見解。

2 數字病理學與人工智能

數字病理學利用全切片成像（whole slide imaging, WSI）技術[36]，將實體的病理組織切片轉換成高分辨率、具有優異色彩還原的數字病理圖像，廣泛用于醫學教學、質量保證、遠程診斷等多個方面[37-38]。

隨著病理切片的大規模數字化以及計算機輔助診斷技術的發展[39]，人工智能與數字病理之間的協作更加緊密。研究人員使用機器學習技術實現了WSI圖像的自動處理與分析。2013 年，KOZLOWSKI 等[40]設計了一個全自動的圖像分析系統來量化炎癥性腸病模型中給予藥物治療后蘇木精與伊紅（hematoxylin and eosin, H&E）染色切片的組織學變化。系統評分在耗時僅為人工評分1/5 的情況下，預測結果88%與病理學家一致。2016 年，EHTESHAMI 等[41]首次提出一種基于H&E 染色的全切片圖像的全自動檢測乳腺組織導管原位癌（ductal carcinoma in situ, DCIS）的方法來自動區分WSI 中DCIS 的陰性和陽性。結果顯示，在每個WSI 的平均假陽性數量為2 和3 的情況下，可以檢出80%和83%的DCIS 病變，這證明了其在常規病理診斷中的應用潛力。除了定量測量組織形態特征、快速識別特定細胞類型，使用機器學習方法處理數字病理還能挖掘出人類肉眼不易察覺的特征（如紋理特征、空間結構特征等），來輔助疾病的診斷[42-43]。

得益于深度學習技術的發展，人們能夠直接從原始圖像中學習，而不需要專家經驗來定義特征，這進一步加速了數字病理學的發展。越來越多的研究開始使用基于深度學習的方法來實現腫瘤分類、腫瘤分級、癌癥診斷、預后預測以及臨床輔助決策[44]。COUDRAY等[45]在肺細胞組織病理切片圖像上使用遷移學習的方法實現對肺癌亞型的自動且準確分類并嘗試突變基因預測。試驗結果中，系統對腺癌與鱗癌的預測，ROC曲線下面積（area under the curve, AUC）為0.95，對腫瘤與正常組織分類，AUC可達到0.99，而對多個突變基因的預測結果范圍為0.640～0.856。

近年來，具有明場和熒光的全景數字病理成像設備在生物學、病理學、組織形態學等相關的科學研究及醫療診斷上得到了廣泛應用。得益于多靶點全景數字病理技術[46]和人工智能技術，人們已經能夠從病理組織原位檢測出多種生物標記物表達水平[47-49]，并結合細胞組學、免疫組學[50]、基因組學[51]等多維信息，輔助醫生了解復雜疾病機制以及制訂合適的治療方案和預后預測。OBRADOVIC 等[52]利用多靶點定量免疫熒光驗證了一個與透明細胞腎癌不良預后相關的腫瘤特異性巨噬細胞群。該巨噬細胞群位于腫瘤微環境中，表現為載脂蛋白E、補體C1q和髓系細胞觸發受體2 在其中過度表達。這一關鍵發現可作為預測腎透明細胞癌復發的潛在預后生物標志物。BERRY 等[53]開發的具有高保真單細胞分辨率的全腫瘤切片多光譜圖像分析平臺AstroPath，對接受程序性死亡-1 受體抑制劑（一種免疫檢查點抑制劑）的黑色素瘤患者進行了全景多色數字病理分析，實現了黑色素瘤的免疫檢查點抑制劑7 種標志物的發現和患者生存預測。

總的來說，數字病理不僅方便了病理組織切片的保存和共享，還能夠與人工智能技術結合從而節省病理學家人工診斷的時間，避免主觀誤診、漏診的發生[38-39]。與此同時，數字化的病理解決了時間和地域原因產生的會診困難問題[54]，提高了遠程病理診斷的準確性和效率，有助于醫療資源更合理地分配。此外，基于人工智能的數字病理學在臨床研究中還能輔助醫生決策、改善患者預后、深入了解復雜的疾病機制，從而促進精準醫療的發展。

3 人工智能在透明病理實踐中的應用

3.1 虛擬染色技術

近年來，數字病理學實踐[38-39]隨著自動化、高通量的切片掃描儀和數字圖像查看器的普及而得到廣泛應用。使用人工智能技術對數字化的病理切片圖像進行特定顏色生成或特定顏色轉換已經成為了現實[6-7]，這種對數字病理切片進行特定顏色處理的技術就是虛擬染色技術。

BAI 等[55]對基于深度學習方法的生物組織樣本虛擬染色進行了概括，主要包括無標記染色和不同染色類型間的轉換。前者主要利用訓練完成的深度學習網絡將無標記的組織圖像生成與H&E、馬松三色等染色顏色相同的虛擬組織學圖像。后者將已染色組織的數字圖像轉換成其他染色類型的數字圖像。其中，使用虛擬染色技術對無標記樣本組織的生物自發熒光圖像進行數字化染色，從而達到同一樣本的染色版本的明場圖像，是目前研究中應用較多的虛擬染色方案。MENG 等[56]開發了一個生成對抗網絡的虛擬組織學染色模型，將無標記的卵巢組織切片的自發熒光圖像作為模型輸入，生成與H&E染色的卵巢組織切片顏色相同的圖像，準確率達93%。此外，有研究[57]在熒光圖像中加入“數字染色基質”，然后作為染色模型的輸入，從而實現混合H&E、瓊斯銀和馬松三色染色，這在傳統的組織化學染色工作中是不可能完成的。值得注意的是，由于生物組織的自發熒光團能表征豐富的組織代謝信息和病理生理過程[29,58]，無標記組織的自發熒光圖像還可以實現更復雜的分子染色，如組織實驗室常用的免疫組織化學（immunohistochemistry staining, IHC）染色。BAI 等[59]成功將無標記的乳腺組織切片的自發熒光圖像轉換成符合標準的人表皮生長因子受體2蛋白的虛擬IHC染色，并通過雙盲法評分肯定了虛擬染色的染色質量。這將顯著擴大虛擬組織染色的應用范圍。而不同染色類型間的轉換不僅可以實現利用普遍、便宜的染劑獲取比較難獲得的染色類型，還可以實現能夠實現在同一視場內比較不同染色類型下器官、組織或細胞結構，提高診斷的準確性。在DE HAAN 等[60]的工作中，將H&E 染色的人腎樣本轉化為包括瓊斯銀、馬松三色和過碘酸-雪夫染色在內的特征染色。根據三位腎臟病理學家的評估，然后由第四位病理學家進行裁決，研究發現這些染色類型的轉化可以改善非腫瘤性腎病的診斷。XIE等[61]從H&E染色的三維（three dimensions, 3D）前列腺活檢樣本中實現了細胞角蛋白8的虛擬免疫熒光染色，從而基于生物標志物來協助3D腺體精確分割。

總的來說，虛擬染色方法作為一種通用框架，與分子成像技術有著密切的關聯，特別是光學成像，該方法可以廣泛適用于各種組織樣品制備過程中。隨著無標記成像和顯微鏡技術的快速發展，傳統的樣品制備過程有可能被取代，這將促進整個組織學工作流程進一步加速[55]。值得注意的是，這種基于人工智能的虛擬染色技術與非侵入性的顯微成像技術（如活體顯微成像技術、共聚焦顯微成像技術等）相結合，為活體染色提供了新的可能。除了節省時間、成本和勞動力，虛擬染色還可以通過染色多路復用來獲取額外的組織學信息，進而輔助診斷評估。虛擬染色技術不但能擴大數字病理學的范圍，還可以提高數字病理學中其他下游機器視覺任務的性能，如器官的自動分割[61]、病理特征的識別[62]以及組織的分類[63]。虛擬染色技術在加速透明病理的實踐落地上有著巨大的潛力。

3.2 多尺度活體成像和診斷

透明病理使用多尺度分子成像技術來獲取多維度、多角度的病理生理信息，從而對影像結果進行更好地解讀，以支持研究從基礎到臨床的轉換。在透明病理的評價系統中，多尺度成像方法包括以PET/CT 為代表的兼顧宏觀尺度和微觀生化成像方法、以MRI 為代表的介觀尺度成像方法和以光學成像為代表的微觀尺度成像方法。

使用多功能納米探針是實現多尺度成像的一種重要方法。KARPATI 等[64]設計了一種名為NP3 的混合成像納米探針，可以同時使用MRI 和雙光子顯微鏡在體內成像，無明顯細胞毒性，可用于神經炎癥的多尺度和多模態研究。WANG 等[9]于2022 年采用一步法制備了球形納米探針Au/Gd NDs，用于前列腺骨轉移的FI/CT/MRI 多模態成像和準確診斷。試驗結果表明，三種成像模式相輔相成，實現了轉移性前列腺癌的高精度檢測，并準確指導治療。此外，體外和體內試驗表明，Au/Gd NDs 具有良好的生物相容性以及可靠的生物安全性。它能夠對骨轉移性前列腺癌進行準確定位，在臨床腫瘤診斷和手術指導中具有潛在的應用價值。除了使用多功能納米探針進行多模態成像，LIU 等[8]設計了一個基于透明窗口模型[65]的多模態活體分子成像系統，來支持腫瘤透明病理的相關研究。該系統創造性地將PET、MRI 和FI 集成在背側皮膚窗腔中的剛性框架上來實現多模態成像。成像后，將透明窗的組織剪切后進行標準切片制備，然后將影像與病理進行協同配準和診斷分析。

現有的研究中，多尺度圖像的配準方法有很多。例如，PURI 等[66]提出一種以體內外CT 圖像為中介的方法，來實現組織病理與體外PET-CT 中的PET 圖像對齊，LIU等[8]則通過透明窗體上的物理配準標記（如固定螺釘螺紋和縫線）實現了PET/MRI/FI/組織病理的多尺度圖像之間的共配準。除了上面提到的這兩種方法，使用人工智能技術也可以實現多尺度圖像配準。BHARGAVA 等[10]開發了一種基于血管基準點彈性多尺度圖像協同配準方法來融合MRI、CT和光學圖像以實現多尺度成像數據的共同注冊。

在獲取多尺度分子影像數據后，需要進一步將影像數據、臨床特征、代謝信息、基因組學、免疫組學等多維度醫學數據融合與分析，從而更好地為病理學家和臨床醫生進行輔助支持。崔雅瓊等[27]將治療前的多參數MRI影像轉換成影像組學特征，隨后使用機器學習方法對影像組學和臨床特征進行融合并構建預測模型實現對宮頸癌脈管侵犯的預測和預后預測。CHEN等[11]設計了一種基于深度學習的弱監督、多模態融合算法，該算法使用H&E全切片數字病理圖像和分子譜特征（包括基因突變狀態、拷貝數變異和RNA-seq）來進行多種癌癥的生存預測，同時還能解釋并量化組織病理學特征、分子特征及其相互作用對癌癥低、高風險患者的影響。此外，他們還專門開發了一個研究工具用于推動新的預后生物標志物的發現。

以透明病理為基礎，結合臨床特征、分子特征、代謝特征、多組學特征，不僅能夠對患者全身水平的病理生理信息進行無創、準確地評估，還能輔助醫生在臨床做出及時、準確的決策并為患者制訂個性化的治療方法。

3.3 全自動定位技術

使用不斷發展的人工智能技術來優化現有的成像設備，是一直以來的研究熱點之一。例如CT 的圖像采集速度快、空間分辨率高，具有很好的臨床效用，但是存在著較大的電離輻射。因此，在較低輻射劑量下獲得高質量的圖像一直是醫療和電子制造相關領域的研究熱點[12,67]。在傳統的CT 掃描中，技術人員首先需要將患者調整到龍門的合適位置，然后準確識別患者體表解剖定位線，接著手動將患者從掃描的起始位置移動到結束位置。整個過程完全由醫技人員操作，掃描結果的可靠性高度依賴于醫技人員的經驗和操作技能。多項研究[68-69]表明，患者的準確定位直接關系到輻射劑量和圖像質量。甚至有些技術人員可能會因為過于謹慎而擴大待檢測區域的非必要掃描范圍，從而造成患者接觸的輻射量的非必要增加。因此，對患者進行準確定位是在低輻射強度中獲得高質量圖像的關鍵因素之一。

得益于信息技術的發展，依托彩色/深度3D 相機來檢測人體標志點[70]，利用人工智能算法和深度傳感技術使得CT 系統能夠完成全自動且準確定位。SALTYBAEVA 等[13]的研究表明，使用人工智能算法的腹部全自動定位CT 掃描，相對于手動定位，平均絕對偏移量由（18±11） mm 降至（4±2） mm，最大絕對偏移量由43 mm 降至9 mm，而偏移量大于20 mm 的嚴重誤差更是從40%（14 例/30 例）降至0。王韓倫等[71]指出了對于不同身體質量指數（body mass index,BMI）的患者，當BMI 越大時，使用人工智能技術對患者進行全自動定位與手動定位相比，前者具有明顯的定位優勢。在2019 年新冠病毒大流行期間，GANG 等[72]采用智能引導機器人與自動定位技術相結合的遠程自動化CT 檢查。該設備不僅能夠避免患者與醫生發生病毒性交叉感染，而且，相較于常規成像，在縮短患者的檢查時間的同時，還因為定位準確和提高患者在胸部CT 成像時的屏氣依從性而增加了圖像的信噪比。

基于人工智能技術的全自動定位技術應用在CT系統中，不僅能將醫技人員從煩瑣重復的工作中解放出來，還能在低輻射劑量下獲得高質量照片。這種全自動定位技術為透明病理實踐中跨尺度、多模態成像設備的開發和優化提供了可借鑒思路。

4 透明病理遇到的挑戰

透明病理在醫學研究和臨床轉化上有著巨大的應用前景，目前也有一定的實踐基礎和初步嘗試，但是我們也必須看到透明病理發展過程中遇見的問題。

首先，透明病理所依賴的多尺度成像系統在設備投入和檢測的高成本可能會讓很多衛生系統望而止步。數據是醫學研究和病理實踐的基石，數據量的缺乏將在一定程度上阻礙透明病理實踐的發展。另外還需要關注的問題是數據的規范標準。透明病理的實踐基于多模態、跨尺度的分子成像技術，這些不同空間分辨率的成像技術在成像硬件、成像采集參數和圖像預處理流程（如圖像分割、圖像歸一化、圖像增強）等方面，都缺少規范化的實踐指南，這可能為透明病理的研究帶來重大的挑戰。因此，積極創建醫學區域共同體，共享高端設備資源，積極推動行內專業人員合作交流[73]，并為該領域的研究人員探索出一套標準化的實踐指南并嘗試創建大規模、標準化、公開可用的數據集是非常重要的。

此外，透明病理中跨尺度成像之間，以及圖像與離體病理之間的配準，也是透明病理發展過程中不可忽視的問題，這直接關系到透明病理是否可以被精確評估。多尺度成像數據的配準目前仍然具有一定的挑戰性，盡管目前多項研究對跨尺度圖像的配準進行了探索，但是開發通用且可靠的注冊工具[10]可能是解決此問題的方法。在未來的研究中，我們期待更多更精準的多尺度圖像配準方法被提出，來促進透明病理的規范化實踐，為精準醫療提供強有力的工具。

最后需要指出的是，透明病理學目前還僅停留在理論階段，如果想得到病理學家、臨床醫生或患者的信任，必須保證實踐活動的質量。因此，開發可靠、易用且易于集成臨床工作流程的系統是很有必要的[74]?；谌斯ぶ悄芟到y的數字圖像分析方法雖然被證明在影像學和病理學中有著巨大價值，但其推理功能仍然是無法解釋的“黑匣子”。解釋它們的預測也一直是人工智能技術的技術挑戰。透明病理實踐系統的實現除了要增加模型的可解釋性，還需要證明其臨床效用，才能加快透明病理的臨床轉化。而臨床效用一般可以通過快速增加首次人體試驗量和通過標準化技術來證明安全性和可重復性來實現。

5 小結與展望

透明病理以多尺度分子影像為基礎，進一步結合臨床特征、分子特征、代謝信息、基因組學、免疫組學等多維度醫學數據，不僅能夠在體外實現無創、時空動態的可視化、表征及測量體內疾?。ㄈ缒[瘤）的生理和代謝過程，還能實現對患者全身水平及時、準確地評估。人工智能技術應用于透明病理學實踐不僅能夠實現數據采集的自動化和成像質量的優化，還可以實現多尺度圖像的融合和多維數據的分析，這將輔助醫生在臨床做出及時、準確的決策并為患者制訂個性化的治療方案。與此同時，透明病理實踐還可以為患者護理帶來自動化、高靈敏度、新的臨床應用，提高患者的生活質量并節約醫療資源。此外，這種全面可視化的多尺度病理實踐模式將會促進更多病理學和分子影像領域的研究人員相互合作，從而加速兩者的融合，促進其由基礎研究向臨床轉化，更好地推動醫學進入精準時代。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻聲明：郭前進設計和指導本研究的方案，對稿件重要的智力內容進行了修改；劉茜對研究方案進行調研和實施，起草和撰寫稿件；韓凱泰、黃夢圓、劉石頭獲取、分析或解釋本研究的文獻，對稿件重要的智力內容進行了修改；郭前進獲得了國家自然科學基金項目資助。全體作者都同意發表最后的修改稿，同意對本研究的所有方面負責，確保本研究的準確性和誠信。