摘要A021：利用组织病理学和临床信息绘制肿瘤微环境图谱，以实现可解释的肺癌诊断 免费

《Cancer Research》：Abstract A021: Leveraging histopathology and clinical information to map the tumor microenvironment for interpretable lung cancer diagnosis Free

　　肺癌筛查流程中临床与病理数据割裂导致假阳性率高、过度诊断等问题。本研究提出TMATT框架，通过Transformer架构随机遮盖临床变量和病理图像区域，整合组织病理图像与临床数据，实现病变分类（准确率93% AUC）和预后预测（c-index 0.7）。该模型可生成可视化热力图解释预测依据，为非侵入性"虚拟病理学"提供新工具，已在TCGA和NLST等多器官数据集验证，并计划开展病理医师验证。

　　

摘要

肺癌仍然是癌症死亡的主要原因，部分原因是当前的筛查流程将临床发现与外科病理学结果分开处理。虽然外科病理学能够提供明确的诊断依据，但需要通过侵入性活检来获取这些信息。这种分离导致了较高的假阳性率、过度诊断以及随访延迟等问题，因此迫切需要开发能够将组织学和临床信息整合在一个可解释框架内的客观、综合性工具。本研究的目标是开发TMATT，这是一个可解释的机器学习框架，它将组织病理学图像与临床数据相结合，用于对病变进行分类，并预测未知的病理信息、癌症类型及其侵袭性。我们的核心假设是TMATT能够捕捉这些不同数据模式之间的互补特征，从而做出稳健且具有临床意义的预测。基于遮蔽建模技术，TMATT在疾病分类方面的AUC达到了93%，在生存预测方面的c指数为0.7。该模型在训练过程中通过随机遮蔽临床变量、组织病理学图像区域以及部分临床发现内容，并采用了Transformer架构来实现这一目标。这种策略使模型能够在保持可解释性的同时，学习临床发现与组织学特征之间的潜在关联。我们已在TCGA和NLST数据集上对TMATT进行了训练和验证，其泛化能力已扩展到多个器官。该框架可以输出病变分类（如癌、肉瘤、淋巴瘤等）和侵袭性评分（从低到高），同时生成可解释的热图，突出显示与预测结果最相关的组织学区域。这项工作为多模态、可解释且具有泛化能力的病变分类奠定了基础，是实现无创“虚拟病理学”以及更早、更准确癌症检测的关键步骤。目前正在进行进一步的评估，以验证TMATT在临床环境中的适用性。

引用格式：

Kushal Virupakshappa, Avinash Sahu, David Arredondo, Chris Amos. 利用组织病理学和临床信息来映射肿瘤微环境，以实现可解释的肺癌诊断 [摘要]。载于：AACR癌症研究特别会议论文集：癌症演变：进展与持续的动态；2025年12月4-6日；新墨西哥州阿尔伯克基。费城（宾夕法尼亚州）：AACR；Cancer Res 2025;85(23_Suppl):Abstract nr A021。