使用 MMT-net 在新辅助治疗后估计非小细胞肺癌患者的主要病理反应

帮助医生判断治疗成效

当肺癌患者在手术前接受强效治疗时，医生需要了解这些疗法在肿瘤内的实际作用程度。如今，这一判断依赖病理学家在巨幅数字显微图像上逐一目视检查。本研究引入了一种新的人工智能工具，称为 MMT-Net，它可以快速且精确地估计治疗摧毁了多少肺肿瘤组织，有望使护理更快速、更一致并更具个体化。

为何衡量残留重要

对于非小细胞肺癌患者，医生常在手术前使用药物和放疗以缩小或削弱肿瘤。术后，病理学家通过检查肿瘤床中仍含有活癌细胞的部分比例来估计“主要病理反应”。如果仅有很少部分——大约十分之一或更少——残留，患者通常预后更好、存活时间更长。然而，现代数字切片可能包含数十亿像素，且治疗后往往留下死变组织、瘢痕样区域与零散存活细胞的混合物。人工逐页审阅这些巨幅图像速度慢、疲劳且易受不同专家之间差异的影响。

教会计算机“读”癌组织切片

研究人员构建 MMT-Net 来协助病理学家完成这一艰巨任务。该系统分析已接受治疗的肺肿瘤整片图像。研究者并未直接使用在日常照片上训练的标准计算机视觉模型，而是先让网络通过成千上万未经标注的组织片段自我学习病理学的视觉“语言”。这一自监督学习步骤帮助模型识别经染色显微图像中特有的细微模式，而不是识别猫、车或风景等日常物体。

同时兼顾远观与近看

MMT-Net 还模拟了人类专家在读片时不断放大与缩小视野的方式。系统以三种放大倍数提取小图像补丁：低倍以捕捉整体构架、中倍用于观察损伤模式、高倍检查单个细胞。一个专用的注意力机制随后融合这些视角，使模型能够同时权衡细节与宏观背景。一个最初用于语言翻译的 transformer 模块使用这些融合特征将每个补丁分类为三类：残存活肿瘤、与治疗相关的瘢痕样间质或坏死及角化物质。通过对整片图像进行求和，MMT-Net 估计出存活肿瘤细胞的比例，这是医生用来评估反应的关键量。

系统表现如何

为测试模型，团队使用了来自单一癌症中心 23 名患者的切片。他们将数据分为训练组和测试组，专家病理学家根据国际指南仔细标注了可存活肿瘤、瘢痕样间质和坏死组织的区域。与若干领先的深度学习方法相比，在以病理图像预训练的条件下，MMT-Net 达到了最高的准确率，在测试补丁中约 99% 被正确分类。模型内部注意力图所强调的区域与人类专家关注的区域高度一致，表明系统是在“看”正确的结构，而不是依赖伪相关的线索。

与分子标志物的比对

除了视觉比对外，研究人员还检查 MMT-Net 的预测是否与肿瘤活性生物学测量相一致。他们考察了另外用两种常见实验室标志物染色的切片：细胞角蛋白（标记上皮来源的肿瘤细胞）和 Ki67（标记分裂细胞）。模型标注为可存活肿瘤的区域比例与这两种标志物均呈显著统计相关，意味着计算机识别为活跃肿瘤的地方，实验室染色也给予了支持。这种高度一致性支持了 MMT-Net 捕捉的是疾病生物学的真实方面，而不仅仅是表面的颜色差异。

这对患者意味着什么

简而言之，这项研究表明，一个精心设计的人工智能系统能够几乎与资深病理学家一样评估术前治疗后肺肿瘤的残留量，且其决策具有可解释性并植根于生物学证据。尽管该研究基于来自单一中心的相对较少患者，仍需更大规模、多医院的研究加以验证，但该方法具有灵活性，可适配于其他癌种与任务。未来，像 MMT-Net 之类的工具有望标准化治疗反应的测量、支持更可靠的后续治疗决策，并将精准医疗更广泛地带入临床实践。

引用: Yang, C., Liu, L., Xiao, W. et al. Estimating major pathological response in non-small cell lung cancer patients with post-neoadjuvant therapy using MMT-net. Sci Rep 16, 14144 (2026). https://doi.org/10.1038/s41598-026-44633-y

关键词: 肺癌, 数字病理, 人工智能, 治疗反应, 深度学习