状态感知交互MIL：从病理切片预测罕见联合分子表型

研究背景：联合分子表型预测的难点

在计算病理学领域，从组织病理图像中预测分子生物标志物一直是热门方向。但当研究目标从单一标志物转向联合分子表型（即多个生物标志物同时呈阳性）时，问题变得棘手。

这类罕见联合表型面临两大核心困境：一是联合阳性样本数量极少，在结直肠癌中仅占6.8%，在肺腺癌中也只有8.6%；二是不同分子状态之间的组织学特征高度重叠，难以从形态学上清晰区分。

现有计算病理学方法通常采取两种策略，但都存在明显缺陷。独立预测法分别预测各个生物标志物，却无法建模不同标志物特异性组织学表征之间的相互作用；而二元联合预测法则把双阴性和两种单阳性配置全部压缩进一个"阴性"类别，丢失了大量结构化信息。

BRAF、MSI、EGFR、TP53 是癌症精准医疗中的重要生物标志物。BRAF V600E 突变和微卫星不稳定性（MSI-H）在结直肠癌中常被联合检测，因为两者同时阳性提示特定的肿瘤发生路径（锯齿状腺瘤途径），并对免疫检查点抑制剂治疗有预测价值。在肺腺癌中，EGFR 突变是靶向治疗（如奥希替尼）的核心选择依据，而 TP53 突变则与预后及耐药机制密切相关，两者共突变具有独立的临床意义。传统检测手段包括免疫组化、PCR、下一代测序（NGS）等，成本较高且在基层医疗资源有限。能否从常规 HE 染色切片直接推断这些分子状态，是计算病理学试图回答的核心问题之一，也是本研究的临床动机所在。

方法创新：State-Aware Interaction MIL

该研究提出了一种名为 State-Aware Interaction MIL（状态感知交互多示例学习）的弱监督方法，其核心思路可归纳为三点。

其一，保留生物标志物特异性的组织学表征，不将不同标志物的特征混为一谈；其二，显式建模这些表征之间的相互作用；其三，对完整的四状态分子配置进行监督学习，而非简化为二元分类。

所谓四状态，指的是双阴性、两种单阳性以及联合双阳性这四种完整配置。通过保留这种结构，模型能够捕捉到被传统二元方法抹平的细粒度信息，从而更有针对性地识别那些稀少的联合阳性病例。

这种设计的本质，是在样本极度不平衡的条件下，尽可能利用每一种分子状态所携带的组织学线索，而不是粗暴地把问题塌缩成"有或无"。

多示例学习（Multiple Instance Learning, MIL）是计算病理学中处理弱监督问题的核心框架。由于病理切片的标注通常只精确到切片级别（即只知道这张切片来自某类病人），而非逐像素或逐细胞级别，MIL将整张切片视为一个"包"（bag），将切片分割出的小块图像（patch）视为"示例"（instance）。模型只需在包级别的标签下学习，无需昂贵的局部标注。传统MIL方法通常通过聚合函数（如最大池化或注意力加权均值）将所有patch的特征汇总为切片级表征，再做分类。State-Aware Interaction MIL在此基础上的关键创新在于：它并非将所有生物标志物的信息合并到同一个聚合流程，而是为每个生物标志物维护独立的表征分支，再通过显式的交互机制捕捉不同分子状态之间的协同或拮抗信号，从而在弱监督条件下对多标志物联合状态进行更精细的建模。

实验设置与病理基础模型

研究在两个具体临床场景中验证了方法：结直肠癌中的 BRAF+/MSI+ 联合预测，以及肺腺癌中的 EGFR+/TP53+ 联合预测。

在特征表征方面，研究采用了两个冻结的病理基础模型——UNI2-h 和 CONCH。这里的"冻结"意味着直接使用预训练模型提取的表征，而不对其进行微调，这也侧面检验了病理基础模型表征本身所蕴含的预测信息。

评估指标选用平均精度（Average Precision, AP），这在样本高度不平衡的罕见表型预测任务中比准确率更具参考价值，因为它更能反映模型在正样本稀少情况下的真实表现。

病理基础模型（Pathology Foundation Models）是近年来计算病理学的重要进展，指在海量病理图像数据上通过自监督或对比学习预训练的大型视觉编码器。UNI2-h 和 CONCH 是目前代表性的开放病理基础模型：UNI2-h 基于大规模病理图像的自监督预训练，擅长提取通用组织形态特征；CONCH 则采用视觉-语言对比学习，将病理图像与病理报告文本对齐，赋予表征更丰富的语义信息。使用"冻结"表征意味着研究者直接将预训练模型作为固定特征提取器，不在下游任务上更新其参数——这样做的好处是大幅降低了对标注数据量的需求，同时也是对基础模型泛化能力的一次严格测试：若冻结表征仍能支撑罕见联合表型预测，说明预训练阶段已隐式编码了相关的组织学模式。

实验结果：多项基线上的一致提升

实验数据显示，State-Aware Interaction MIL 在两个基础模型、两类癌种上均优于相应基线方法。

基于 UNI2-h 表征时，该方法在结直肠癌上取得 0.5566 的平均精度，高于 NaiveMTL 的 0.5161；在肺腺癌上达到 0.2784，优于 IndependentPair 的 0.2525。

基于 CONCH 表征时，结直肠癌的平均精度为 0.4410，相较 DirectJoint 的 0.3932 有所提升；肺腺癌为 0.1659，明显高于 DirectJoint 的 0.1226。

从绝对数值看，肺腺癌任务的难度显著高于结直肠癌，两个基础模型下的AP都偏低，这与其组织学特征的复杂性和联合阳性的稀有程度相关。但无论在哪种配置下，结构化的分子状态建模都带来了稳定的增益。

价值与启示

这项研究传递出两个值得关注的信号。

其一，病理基础模型（如 UNI2-h 和 CONCH）的表征中确实包含了预测罕见联合分子表型的信息，即便不经微调，冻结表征也能支撑起这类高难度任务。这为病理基础模型的实用化提供了进一步证据。

其二，在建模罕见联合表型时，保留生物标志物特异性表征并嵌入结构化分子状态框架，比简单的独立预测或二元塌缩更有效。方法论上的这一思路，对于其他小样本、多标签交互的医学AI任务同样具有借鉴意义。

对于计算病理学和精准医疗而言，能够从常规组织切片中直接推断罕见的联合分子状态，意味着在无法大规模开展昂贵分子检测的情况下，仍可获得有价值的辅助信息。这正是弱监督病理AI持续探索的方向。