美国哈佛大学研究者通过训练一个卷积神经网络(CNN)模型，仅依靠读取患者的病理切片，便能实现对原发灶不明癌症的溯源。(Nature. 2021, 594: 106-110 DOI: 10.1038/s41586-021-03512-4)

人工智能(AI)的进步推动了各个行业的发展，通过将AI图像识别技术和医学影像资料相结合，在多个医学影像读片或诊断任务中，AI已经能够达到甚至超越专业医生的水平。

该研究又一次实现了AI与癌症诊疗的完美结合。若该研究成果得到验证并投入临床应用，就意味着仅需一张普通病理切片，医生就能确定原发灶不明肿瘤的范围。

原发灶不明肿瘤(CUP)是一类“经过详细的检查，但始终无法确认癌症原发灶”的转移性肿瘤的统称，在所有癌症患者中占比1%~2%。这类患者往往会经历各种各样的检查，最终只能依据经验联合使用放化疗，经济负担很重但普遍预后较差，中位生存时间仅为2.7~16个月。

有研究者利用基因组学技术寻找CUP的起源，但表现并不令人满意，基因组学检测对于CUP患者来说也是不小的经济负担。

既然没有寻找原发灶不明肿瘤来源的手段，能否依据现有检查结果来预测肿瘤来源?图像识别任务向来是AI的强项，研究者通过学习大量患者的苏木精伊红染色(H&E)病理切片，以弱监督的方式训练出一个CNN模型(命名为TOAD)。在读取一张病理切片后，TOAD能对人体的18种组织进行预测打分，通过对预测分数进行排序，以找到肿瘤最可能的组织来源。

研究者从公共数据库与布列根和妇女医院中收集了来自29 107例患者的32 537 张H&E染色切片，分别标记为18种原发癌源。按照70%、10%、20%的比例划分为训练、验证和测试数据。通过反复的训练和优化模型，TOAD在测试数据中的Top-1准确率为83.4%，Top-3准确率为95.5%，而Top-5准确率达98.1%。

为了探讨TOAD是否具有普适性，研究者从223家医学中心收集了682例患者的数据进行预测。在这些数据中，TOAD的Top-1准确率为79.9%，Top-3准确率为93.4%。

研究者采用“是否通过免疫组化(IHC)进行诊断”来定义诊断难度。对于那些不需要IHC就能完成诊断的患者，TOAD的Top-1准确率为87.4%，Top-3准确率为96.7%。而对于那些需要三次或以上IHC才能完成诊断的患者，TOAD的Top-1准确率为75.7%，Top-3准确率为92.0%，提示就算是那些诊断困难的癌症患者，AI依然能很好地完成预测。

研究者从152家医学中心收集了743例患者数据，这些患者均在诊疗过程中的某一个时段被诊断为CUP，其中的317例患者经历彻底的临床和辅助检查之后，最终确定了肿瘤来源。研究者选择这317例患者的切片进行原发灶预测。

分析发现，TOAD对于这些数据的Top-1准确率下降到60.6%，但Top-5准确率仍达92.1%。表明即使是面对临床中最难诊断的CUP患者，TOAD仅仅通过读取病理切片，便能很好地提示缩小癌症的可能来源。

研究结果显示，TOAD能成为肿瘤科医生非常好的辅助工具。在资源有限地区，TOAD能够为普通肿瘤患者提供很好的诊断参考，而不需进行额外的检查。对于那些诊断困难的肿瘤患者，TOAD也能极大地缩小诊断范围。有了TOAD作为参考，临床上在转移灶溯源时不必再仅凭经验和运气，将使诊疗策略更具目的性，更高效地完成诊疗。 (编译 赵佳加)