一张病理切片预测32种癌症：AI模型从常规H&E图像同时推断TP53突变、RNA表达与生存预后
医院里最常见的癌症诊断流程，是从肿瘤组织切出薄片、染色后在显微镜下观察——这就是H&E染色病理切片。全球每天产生数以万计的这类切片，但它们能告诉医生的信息，长期以来受限于人眼和经验。2026年8月发表在《The American Journal of Pathology》上的一项研究，让一张常规H&E切片同时回答多个关键问题：这是什么癌？TP53基因有没有突变？RNA表达水平如何？患者预后怎样？
一个模型，七项输出
这项研究由澳大利亚塔斯马尼亚大学Menzies医学研究所完成。研究团队构建了一个基于Vision Transformer的多任务AI模型，输入一张全切片病理图像（Whole Slide Image, WSI），就能同时输出七项结果，包括TP53突变状态、TP53 RNA表达水平、肿瘤类型分类、总生存期（OS）和无进展生存期（PFI）等。
这和目前大多数AI病理工具的"一模型一任务"模式形成鲜明对比。以往，预测肿瘤类型需要一个模型，预测基因突变需要另一个模型，评估预后又是一个——临床部署成本高、流程复杂。而单一多任务模型更贴近真实诊断场景：医生拿到一张切片，希望一次性获得尽可能多的信息。
训练与验证
模型使用Pan-Cancer Atlas中超过11,000例原发肿瘤数据进行训练，每例都配对了体细胞突变记录、RNA测序结果和临床结局数据。由于全切片图像极其庞大且复杂，逐像素标注既昂贵又主观，研究团队采用了弱监督学习策略——只用slide-level的标签（如"TP53突变阳性/阴性"），让模型自己从图像块中学习与分子特征相关的形态学模式。
在包含1,729张切片、覆盖32种实体瘤的独立验证集上，模型检测TP53突变的AUROC达到0.766。此外，模型还能从切片直接推断TP53 RNA表达水平，并恢复肿瘤分类信息。
TP53为什么重要
TP53是人类癌症中最常突变的抑癌基因。正常情况下，它帮助调控细胞生长、修复DNA损伤、清除严重受损的细胞。一旦突变，肿瘤往往更具侵袭性、对治疗更耐药。然而，标准的TP53分子检测成本较高，在资源有限的地区和医院并不总是可及。
研究的共同负责人、Menzies研究所的Alex W. Hewitt教授指出："标准的TP53突变分子检测往往昂贵且在欠发达或偏远临床环境中不可及。我们想为病理医生开发一个更实用的工具。"
补充而非替代
需要强调的是，AUROC 0.766意味着模型仍有相当比例的误判——它不能替代分子检测。研究的另一位共同负责人Abadh K. Chaurasia博士明确表示："这种方法应被视为分子检测的补充，而非替代。其最大潜力在于作为筛查、优先排序或决策支持工具，嵌入更广泛的诊断路径中。"
换句话说，这个模型最适合的场景是：在基因检测资源有限的环境中，先用AI从常规切片快速筛查出"高度疑似TP53突变"的患者，优先安排确认性分子检测；而不是用AI结果直接做治疗决策。
对谁有用
- 资源有限的医院和地区：在没有条件做全面基因检测的地方，AI可以从已有的病理切片中提取分子层面的线索
- 病理科医生：作为辅助工具，帮助快速识别需要进一步分子检测的病例
- 肿瘤科医生：在等待分子检测结果期间，AI预测可提供初步参考
这项研究展示了计算病理学连接常规诊断影像与分子肿瘤学的潜力。随着更多多任务模型的开发，未来一张病理切片可能同时回答的问题会越来越多——但每一步都需要严格的临床验证来确认其可靠性。
---
基于多家媒体转述整理。论文原文：Chaurasia A, Toohey P, Bennett M, Harris H, Hewitt A. (2026) Predicting TP53 biomarkers from whole slide images across human solid tumors using weakly supervised learning. *The American Journal of Pathology*.