夜雨聆风
推 文 概 览
这篇Nature Cancer文章介绍了一个名为Hetairos的病理AI模型。它的目标很有临床挑战性：仅基于常规H&E全切片图像，预测102个中枢神经系统肿瘤的甲基化分型亚型。
这篇文章最值得关注的地方，并不只是模型在某些指标上取得了多高的准确率，而是它把一个本来很难直接临床落地的长尾多分类模型，放进了神经病理诊断的真实流程中去讨论：
什么时候可以相信它，什么时候不能相信它；
它是替代甲基化检测，还是帮助决定后续检测；
它能不能缩短诊断等待时间；
在组织量不足、甲基化结果不明确时，它是否能提供额外信息。
这篇文章的核心不是AI能不能直接诊断102种脑肿瘤，而是一个有局限性的AI分类模型，如何通过合理的置信度设计和工作流嵌入，在临床中发挥真实价值。
正文精彩继续
一、最值得关注的地方：如何使用不完美的模型
这项研究面对的任务，本身就很难。
中枢神经系统肿瘤现在已经高度依赖分子病理诊断，尤其是DNA甲基化谱。很多亚型单靠形态学并不好分，有些诊断如果没有分子检测，几乎很难真正下结论。
而Hetairos想做的，是用一张普通H&E切片，直接预测102个甲基化定义的肿瘤亚型。
这对AI模型，尤其是弱监督MIL模型来说，并不是一个友好的任务。因为它不是几个常见类别之间的分类，而是一个非常典型的长尾多分类问题：常见类型样本很多，罕见类型样本很少；有些亚型可能只有十几例，甚至更少。模型既要在全切片层面做弱监督学习，又要在102个类别之间做精细区分，这个难度可想而知。
从方法上看，作者并没有给这个长尾问题提出一个特别新的算法解法。整体路线还是我们比较熟悉的MIL流程：切图，提取patch特征，再用MIL聚合，最后输出slide-level分类结果。
真正有意思的是，作者没有把Hetairos定位成一个直接的诊断分类模型。他们很清楚这个模型有边界，所以围绕“高置信度”和“低置信度”设计了一套更现实的使用方式。
高置信度结果，可以帮助医生快速获得一个诊断方向。
低置信度结果，并不是简单地视为模型失败，而是可以提示这个病例本身更复杂，可能需要优先进入分子检测，或者进一步做IHC、FISH、测序等验证。即使top-1不可靠，top-3仍然可能有临床价值，因为它能把102个潜在亚型压缩到少数几个最可能的鉴别诊断方向。
这其实是病理AI临床转化里非常重要的一点：模型不一定要在所有病例上都给出确定答案。一个模型如果知道自己什么时候不确定，而且这种“不确定”可以被临床流程吸收，那么它反而更接近真实临床。
二、研究背景与临床问题定义
神经病理诊断有一个很特殊的地方：它已经不再是单纯靠形态学分类的时代了。
很多中枢神经系统肿瘤的精确分类，都需要结合甲基化分型、基因突变、融合检测等分子信息。尤其是甲基化分型，它的诊断粒度很高，覆盖的亚型也很广，而且和预后分层密切相关。
但甲基化检测也有现实问题。它需要平台和设备，成本不低，检测周期也比较长；同时，它对组织量有要求。对于一些立体定向穿刺样本，组织本来就很少，可能根本不够做完整分子检测。文章中提到，甲基化检测通常需要约两周时间；相比之下，H&E切片几乎是所有病理流程中最早能拿到、也最容易获得的材料。
所以，这篇文章定义的临床问题很清楚：能不能在分子检测之前，先用常规H&E切片快速获得一个接近甲基化分型粒度的初步判断？
这个问题不是在说“AI要替代甲基化”。更合理的理解是：AI能不能在H&E阶段先给医生一个分型线索，帮助医生缩小诊断范围、选择后续检测路径，并且在部分分子检测受限的病例中，提供一些额外证据。
这个定位没有把AI放到一个过高的位置上，而是把AI放进了诊断链条中一个更可能落地的环节。
三、研究设计与方法学拆解
这项研究能支撑临床转化讨论，一个很重要的原因是队列规模和验证设计做得比较扎实。
作者首先用海德堡大学医院的UKHD队列建模，一共包括4,961名患者、6,115张H&E全切片。所有病例都有分子数据标注，并且满足或超过2021版WHO中枢神经系统肿瘤分类的要求。
随后，他们又把模型放到来自四大洲、11个中心的数据中验证，整体规模超过9,600名患者、11,000余张切片。
类别设计也很关键。作者并没有直接使用完整的184个甲基化类别，而是在神经病理专家参与下，把这些类别整合成102个具有诊断意义的亚型，以及34个superfamily。
这个处理其实很重要。类别如果太细，很多极罕见或者临床意义还不够稳定的类别，几乎没法训练；但如果类别太粗，又失去了甲基化分型真正有价值的精细粒度。所以102类这个设定，本质上是在临床可用和机器学习可训练之间做了一个折中。
使用的病理AI方法本身并不复杂。WSI先被切成256×256像素的小块，对应大约128×128μm；然后用Prov-GigaPath基础模型提取每个tile的1536维特征；接着用改造后的TransMIL把这些tile特征聚合成slide-level embedding；最后再融合年龄和解剖部位信息，通过MLP输出102个亚型的预测概率。
模型还可以生成prediction map，标出哪些组织区域对某个诊断最有贡献。这部分对于临床使用很重要，因为医生不能只看到一个模型结论，还需要知道模型到底在切片哪里找到了依据。
所以，这篇文章的方法学重点，并不在于提出了一个全新的模型结构。它更像是把当前病理AI里相对成熟的一套技术模块，放到了一个临床问题定义清楚、数据规模足够大、验证层次比较完整的任务上。
这也是临床顶刊研究和纯方法学论文的区别。临床转化研究不一定要在模型结构上最新颖，但它必须在问题定义、队列质量、验证设计和工作流意义上站得住。
四、结果与验证表现
先看内部验证。
在内部验证集中，Hetairos的top-1准确率是75.0%，top-3准确率是87.4%。如果只看置信度大于0.5的高置信度病例，它覆盖了大约70%的样本，top-1准确率达到约0.88，top-3准确率约0.95。到了低置信度病例，top-1准确率降到0.46，但top-3仍然有0.71。
这个结果怎么理解？
对于102分类任务来说，低置信度病例top-1不准，并不意外。真正有价值的是，即使模型不能给出一个特别确定的第一答案，它的前三个候选诊断仍然能比较多地覆盖真实诊断。也就是说，它不一定总能直接给答案，但可以帮助医生把诊断范围大幅缩小。
对预测错误的样本的分析也很有启发。
高置信度错误里，大约一半仍然发生在同一个superfamily内，superfamily层面的准确率可以达到0.94。这说明模型很多错误并不是完全离谱的跨谱系错误，而是发生在形态学和分子分类本来就很接近的实体之间。
相比之下，低置信度病例更容易出现跨superfamily错误，而且模型也更容易偏向训练集中更常见的类别。
这就把长尾问题暴露得很清楚了。所有平均置信度低于0.25的12个亚型，在训练集中样本数都少于20例。作者也尝试了过采样和颜色空间增强，但对这些低样本类别的改善有限。
所以问题不只是数据增强不够，而是罕见类别本身缺少足够的可学习样本。对于这种任务，常规MIL可以建立一个可用模型，但很难真正解决长尾分类问题。
再看外部验证。
在外部验证队列中，模型整体top-1准确率下降到约0.68，top-3为0.84。这个下降并不让人意外，因为外部队列一定会带来扫描、制片、病例构成和中心差异。
但更值得注意的是，模型没有在外部数据上继续盲目给出高置信度预测。它的低置信度比例从内部验证的30%上升到45%。也就是说，模型似乎能意识到“这些数据和训练数据不太一样”。
在外部高置信度样本中，top-1准确率仍然约0.87，superfamily层面达到0.96；低置信度样本top-1为0.45，top-3为0.71，和内部低置信度样本比较接近。
这点很重要。就这个结果而言Hetairos的外部验证性能是有明显下降的，但是它的置信度还能比较合理地反映不确定性。对于临床系统来说，这比单纯追求一个总体准确率更关键。
作者还做了一个H&E-only的人机对照实验。5名board-certified神经病理医生，在只看H&E的情况下，从102个甲基化亚型中选择top-3诊断。Hetairos的top-1准确率是0.68，而人类平均是0.30；top-3准确率 Hetairos是0.84，人类平均是0.50。
这个结果看起来很强，但不能简单理解成“AI已经超过神经病理医生”。因为真实诊断中，医生不会只看一张H&E，然后从102个甲基化标签里闭卷选择一个答案。医生会结合形态、IHC、影像、临床信息和分子检测，逐步缩小诊断范围。
所以这个实验更适合说明：H&E图像里确实存在一些和甲基化亚型相关的形态信号，而且AI能够捕捉到这些信号。它不适合被过度解读为AI全面超过医生。
文章更接近真实临床价值的部分，是对诊断困境病例的分析。
对于甲基化结果低置信度的50个样本，Hetairos正确预测了27例。对于因为组织量不足而无法进行甲基化分析的96个样本，Hetairos正确预测了76例，尤其在高置信度低材料样本中表现很好。
这些场景其实更有转化意义，因为它们对应的是临床中真正会让医生“卡住”的病例。
最重要的还是前瞻性评估。
作者在2024年8月至2025年6月期间，把Hetairos放进UKHD的常规诊断环境中前瞻性运行，共评估210例需要分子检测的病例。模型结果没有提供给病理医生，也没有影响最终诊断或治疗决策。
结果显示，在获得扫描H&E之后，Hetairos平均12分钟就可以生成报告。
在高置信度病例中，top-1预测与最终整合诊断的一致率为90.2%，也就是120/133。
在低甲基化评分病例中，如果Hetairos的高置信度预测和甲基化结果一致，准确率达到88.9%；如果两者不一致，准确率就明显下降。
这部分结果很有价值，但仍然有很大的局限性。
它是前瞻性运行，不是前瞻性干预试验。也就是说，Hetairos并没有真正参与诊断决策，也没有证明它能够改变治疗选择或患者结局。目前更准确的说法是：它展示了被嵌入临床流程的可行性，但还没有完成真正意义上的临床效用验证。
最后，作者还用MNP 2.0试验中的353例带有生存数据的样本，分析Hetairos的分型是否有预后分层意义。
对于髓母细胞瘤，Hetairos预测的四个WHO亚型能够区分总体生存，而且结果符合已知生物学规律。室管膜瘤和高级别胶质瘤也显示出类似趋势，但统计支持相对有限，尤其高级别胶质瘤部分并不显著。多变量分析提示Hetairos比单纯临床基线具有更强的预后信息。
五、讨论与总结：不完美的模型，如何被正确使用？
这篇文章最值得拿出来讨论的地方，其实不是Hetairos的某一个性能指标，而是它给病理AI研究提出了一个很现实的问题：当我们面对一个天然困难、长尾明显、类别很多的任务时，模型不可能完美，那接下来应该怎么办？
很多病理AI研究容易陷入一种思路：只要模型还不够准，就继续换结构、换backbone、换训练策略，试图把性能再往上推一点。这些探索当然重要，但在一些研究里，它可能不是唯一的方向。
中枢神经系统肿瘤甲基化分型就是这样的任务。102个亚型，很多类别样本很少，且不同亚型之间既有形态相似性，也有分子分类上的细微差别。对于这类长尾多分类问题，即使用上最先进的基础模型和弱监督学习技术，也很难期待模型在所有类别上都达到同样可靠的水平。换句话说，模型的不完美不是偶然，而是任务本身决定的。
所以，真正关键的问题就变成了：如果模型一定会有不确定性，能不能让这种不确定性变得可识别、可解释、可管理？
Hetairos的处理方式给了一个不错的思路。它没有强行要求模型对每一个病例都给出同等确定的答案，而是把预测结果拆成不同使用层级。高置信度结果，可以作为较强的诊断线索；低置信度结果，则提醒医生不要过度依赖AI，需要回到常规病理和分子检测流程中进一步确认。这样一来，AI模型就不再是一个“必须答对所有题”的考试选手，而更像是一个知道自己哪里比较有把握、哪里需要谨慎的辅助工具。
临床诊断本来就不是简单的单选题，尤其不是102选1的单选题。病理医生面对疑难病例时，往往也是先形成几个可能的鉴别诊断，再通过IHC、分子检测、影像和临床信息逐步排除。AI如果能把一个复杂问题从“102个可能”缩小到“几个最值得考虑的方向”，它即使没有直接给出最终答案，也已经有价值。
从研究设计角度看，这篇文章也提醒我们：长尾问题不能只靠模型结构解决。数据仍然是核心瓶颈。对于极罕见类别，过采样、颜色增强、常规数据增强能带来的帮助有限。如果某些类别本身只有很少样本，模型很难学到稳定规律。除了跨中心持续积累稀有类型病例外，零/少样本学习技术有望在这一领域发挥更大的作用。
模型的“不知道”不是缺点，而可能是临床AI必须具备的能力。一个危险的AI模型，不一定是平均性能低的模型，而是明明不确定，却给出非常自信结论的模型。相反，一个模型如果能在困难病例、域外病例、罕见类别上主动降低置信度，它反而更容易被合理使用。
因此，即使在Nature Cancer发表的这样高水平的研究中，模型仍然会受到长尾类别、中心差异、组织处理差异和任务复杂度的限制。真正成熟的做法，不是回避这些限制，而是把限制纳入模型设计和使用流程中。
对于未来的病理AI系统来说，可能需要从“追求一个完美分类器”转向“构建一个可管理的不确定性系统”。这关系到病理AI在临床中的准确定位。AI不一定非要站在最终诊断的位置上。很多时候，它更适合做分流、提示、排序、缩小鉴别诊断和辅助取材。把一个模型放在它能承担的位置上，比单纯追求模型“看起来更强”更重要。
所以，我觉得这篇文章最有价值的地方，是它展示了一种务实的路径：承认模型不完美，然后通过置信度、候选诊断、分层分类和工作流设计，让它在合适的地方发挥作用。
有些模型之所以无法落地，并不是因为它完全没有价值，而是因为我们一开始就给了它一个不适合的位置。对于长尾、复杂、强依赖整合诊断的病理任务来说，AI未必需要成为最终裁判。它先成为一个可靠的助手、一个谨慎的分流器、一个能缩小诊断范围的工具，可能已经足够重要。
· 往期推荐
