前沿分享 |Nature：CHIEF模型，突破病理学诊断与预测的通用人工智能框架

近期，Nature发表了一篇由哈佛医学院Kun-Hsing Yu团队主导的研究，探索了通用病理学人工智能模型在癌症诊断与预后预测中的应用潜能。文章揭示，传统方法虽然在特定任务中取得了一定成效，但在面对跨样本来源和多样化病理数据时，普遍存在适应性不足的问题。为此，研究团队提出了一种名为CHIEF的创新框架，通过整合无监督的细胞特征学习和弱监督的全切片图像分析，成功开发了一个能够跨越19种解剖部位、涵盖多种癌症类型的通用病理模型。CHIEF的强大之处不仅在于癌症检测的高精度，还在于其在肿瘤起源识别、基因组特征预测和生存分析中的广泛适用性。更重要的是，这一模型展示了在多样化临床环境下的显著泛化能力，为精准诊断与个性化治疗方案的制定提供了突破性的技术支持，同时也为低成本、高效的数字病理学工具的研发奠定了坚实基础。

近年来，组织病理学图像分析在癌症诊断与预后中扮演着至关重要的角色。然而，传统方法多局限于单任务模型，对数据多样性和跨机构样本的适应性不足，这些模型通常借鉴宏观物体识别算法，难以充分捕捉组织微环境的细腻特征和复杂交互，这种局限性严重制约了模型在实际临床中的广泛应用。随着深度学习技术的发展，尤其是弱监督和无监督学习的进步，为构建通用病理学人工智能框架奠定了基础。利用全切片图像实现跨任务、高泛化能力的病理模型，已成为精准医学领域的研究热点与技术前沿。

本研究采用了嵌套病例队列设计，从EPIC-Norfolk前瞻性队列中筛选了近千名病例样本和随机抽取的对照样本，利用血清样本进行蛋白质组学检测，覆盖2,923种蛋白。通过LASSO回归和交叉验证的机器学习框架，研究团队为每种疾病构建了稀疏蛋白质预测模型，并进行验证。为了探讨蛋白质组数据在多种疾病中的预测效果，模型包含了基于年龄、性别、体重指数和吸烟状态的基础信息，并结合多基因风险评分（PRS）进行对比，以评估蛋白质组合对23种疾病和全因早期死亡的预测能力。

图1  CHIEF模型概述

CHIEF模型在多个任务中展现了卓越的性能。在癌细胞检测中，CHIEF在15个独立数据集上实现了平均AUROC高达0.94的表现，显著优于现有方法的最佳结果，提升幅度达36.1%。不仅如此，模型还在肿瘤起源识别任务中表现出卓越的泛化能力，即便面对不同机构与多样化的样本来源，依然保持高精度。更为重要的是，CHIEF成功预测了关键基因组特征，包括IDH突变和微卫星不稳定性（MSI）状态，并在生存分析中展示了明显优于传统方法的区分能力。研究结果表明，CHIEF能够以弱监督的方式从病理图像中捕捉多维特征，为癌症诊断与个性化治疗提供了坚实的技术支撑。

CHIEF模型不仅解决了病理图像分析的泛化难题，更开启了通用人工智能框架在医学领域的广泛应用可能性。这一技术的突破，为开发高效、低成本的临床工具铺平了道路，也为未来数字病理学的进步指明了方向，展现出人工智能在癌症管理中的深远潜力。