PathPrism：可解释病理AI发现空间生物标志物，透明预测结直肠癌生存与化疗获益

核心要点

• 问题：结直肠癌的预后判断与II/III期辅助化疗决策依赖病理与分子分型，但空间生物标志物因全切片图像高度复杂而难以系统发现，传统AI又多为黑盒、无法解释。
• 方法：PathPrism将全切片图像编码为病理学可解释的空间特征，在11个队列、7000例结直肠癌患者中透明建模预后、分子改变与治疗反应。
• 结果：发现数百个可预测生存、MSI、BRAF与TP53突变的生物标志物，并能分层II/III期患者辅助化疗获益。
• 意义：为计算病理学开辟从黑盒预测走向透明发现的新范式，但属回顾性研究，尚需前瞻性验证方可临床转化。
• 原文：Spatial biomarker discovery via interpretable semantic learning in histopathology，Cancer Cell，2026年8月10日（PMID: 42276049）

结直肠癌的预后评估与化疗决策困境

结直肠癌（colorectal cancer, CRC）是全球最常见的恶性肿瘤之一。对患者而言，最关键的临床问题有两个：一是判断预后，二是决定II/III期患者是否需要辅助化疗。这两个决策长期依赖病理医生对组织切片的形态学判断，以及微卫星不稳定性（microsatellite instability, MSI）、BRAF、TP53等分子标志物的检测。

然而，肿瘤微环境的空间结构——肿瘤细胞、淋巴细胞、基质与黏液在切片上的相对位置与拓扑关系——蕴含着大量与预后和治疗反应相关的信息，却因全切片图像（whole-slide image, WSI）尺度巨大、结构复杂，长期难以被系统量化。传统上，空间生物标志物的发现依赖病理专家逐张阅片的经验积累，耗时费力且难以规模化。

更棘手的是，近年来深度学习虽在计算病理学中表现优异，但主流模型是难以解释的黑盒，医生无法理解其判断依据，这既阻碍了临床信任，也限制了AI驱动的科学发现。PathPrism正是为破解这一双重困境而生。

PathPrism的三项核心创新

PathPrism是德累斯顿工业大学Jakob Nikolas Kather与清华大学孔令杰团队在《Cancer Cell》发表的封面论文，其核心创新有三点：

一、把黑盒预测变成病理可解释的空间特征。 过去计算病理模型输出的是难以解读的潜在表征，PathPrism则先把切片中的组织成分（肿瘤、基质、淋巴细胞、黏液等）做语义分割，再从中提取具有明确病理学含义的空间特征，让每个预测都能追溯到具体的组织结构。

二、用透明模型取代黑盒预测。 在空间特征之上，PathPrism采用可解释模型对预后、分子改变与治疗反应进行建模，在保持预测性能的同时实现前向可解释——这是它与以预测精度为唯一目标的既往模型的关键差异。

三、从被动发现走向主动虚拟实验。 PathPrism引入VirtualWSI平台，可在可解释的空间生物标志物图谱中进行可控的语义扰动，观察生物标志物如何随之变化，并以大语言模型作为辅助工具生成基于空间语义的科学假说。

技术原理：从全切片到可解释空间特征

PathPrism的处理流程可概括为三步。输入是H&E染色的结直肠癌全切片图像；第一步，由语义分割网络把切片划分为不同组织类型，形成语义分割图；第二步，从分割图中提取组织占比、空间熵、图拓扑等可解释的空间特征，构成空间生物标志物谱；第三步，用可解释模型对这些特征进行透明建模，输出对生存、MSI/BRAF/TP53突变以及辅助化疗反应的预测。

这与我们此前解读的病理基础模型PRISM2形成互补：PRISM2靠大规模多模态预训练追求通用能力，PathPrism则侧重把组织结构编码为可解释特征，走透明发现路线。在此基础上，VirtualWSI允许研究者对语义分割图做可控扰动、进行虚拟实验；大语言模型则作为辅助工具，把发现的空间生物标志物转化为可检验的科学假说。需要强调，本研究中的大语言模型是假设生成的辅助工具，而非独立决策系统；PathPrism本身是研究原型，与已获监管批准的商业产品有本质区别。

数据说话：7000例患者的空间发现

研究基于11个国际队列、共7000例结直肠癌患者的全切片图像。核心结果如下：

最核心的发现是：PathPrism在7000例、11个队列的规模上，系统发现了数百个与生存、MSI、BRAF、TP53突变相关的空间生物标志物，并能够对II/III期患者的辅助化疗获益进行分层。这一分层的价值尤其重要——II期患者是否从辅助化疗中获益长期存在争议，若能通过常规病理切片的空间结构预判获益，有望避免一部分患者的过度治疗。需要说明的是，论文摘要未披露具体的F1、C指数或风险比等精确统计量，上述结果均以论文摘要为准，未作任何推算。

从实验室到临床：应用前景与局限

可能的应用场景：

• 病理报告增强：从常规H&E切片中提取预后与分子线索，减少对额外分子检测的依赖。
• 辅助化疗决策参考：为II/III期结直肠癌患者是否接受辅助化疗提供分层依据。
• 生物标志物发现平台：面向研究机构，用于空间生物标志物的规模化发现与假设生成。

重要局限：

第一，这是多队列回顾性研究，未经过前瞻性临床试验验证，不能据此推断其可直接用于临床决策。第二，研究对象限于结直肠癌，跨癌种的泛化能力未经证实，应用于其他肿瘤需重新训练与验证。第三，大语言模型仅作为假设生成的辅助工具，可能引入模型自身的偏差，其输出的假说仍需实验确认。此外需客观披露：通讯作者Kather持有多家AI公司的股份，并接受多家药企的咨询或讲者费用，存在相关利益冲突。

病理AI要真正进入临床，还需像我们此前报道的前列腺癌活检AI决策支持工具那样，经过真实临床流程的实施前后对照检验。

结论与产业启示

PathPrism最有价值的贡献，是把计算病理学从黑盒预测推向可解释发现：AI不仅能预测，还能把预测追溯到病理医生能理解的组织结构，并反过来加速新生物标志物的发现。

对医疗AI企业与研究团队有三点可执行建议：一是把可解释性作为模型设计的一等公民，而非事后附加的补救；二是在评估体系中同时纳入预测性能与可追溯性，两者不可偏废；三是善用回顾性多队列数据做发现，同时明确其边界，用前瞻性研究完成临床转化。

思陌智能科研服务深耕医学影像AI与病理AI方向，可为医院与科研机构提供病理AI的方案设计、基准评估与验证服务，帮助团队厘清模型的可解释性、泛化边界与临床转化路径。若您的团队正推进类似工作，欢迎与我们探讨。

相关问题

Q：PathPrism能直接用于临床决策吗？

A：不能。本研究为多队列回顾性研究，尚未经过前瞻性临床试验验证，PathPrism也仍是研究原型而非获批的医疗器械。其价值在于发现与分层，从发现到临床落地还需前瞻验证与监管审批，现阶段不能作为临床决策依据，更不宜用于个体患者的治疗选择。

Q：可解释病理AI会取代病理医生吗？

A：不会。PathPrism的定位是辅助病理医生理解切片、系统发现生物标志物，而非替代阅片诊断。它把AI的判断追溯到组织结构，反而让医生更容易审查与校验，是一种增强而非替代，最终的诊断责任仍由病理医生承担。

Q：这套方法适合中国医疗机构吗？

A：有待验证。研究基于11个国际队列，未纳入中国人群数据，染色、扫描与病理规范的差异可能影响模型表现。因此需用本地数据做外部验证后方可评估其适用性，还需考虑数据合规与院内部署条件，不能直接照搬。

参考文献

1. Liang J, Jiang X, Reitsam NG, et al. Spatial biomarker discovery via interpretable semantic learning in histopathology. Cancer Cell. 2026. DOI: 10.1016/j.ccell.2026.05.014. PMID: 42276049

2. Chen RJ, et al. Towards a general-purpose foundation model for computational pathology. Nature Medicine. 2024. DOI: 10.1038/s41591-024-02857-3

3. Vorontsov E, et al. End-to-end multimodal pathology foundation model with clinical dialogue. Nature Medicine. 2026. DOI: 10.1038/s41591-026-04521-4

本文基于 Spatial biomarker discovery via interpretable semantic learning in histopathology 的独立解读，仅供学术交流，不构成临床建议。