传统组织病理学通常从数毫米厚的组织中切取少量不足 5 μm 的二维切片进行观察，单张切片所覆盖的组织体积往往不足整个活检样本的 1%。由于肿瘤和癌前病变在三维空间中具有明显异质性，这种稀疏采样可能遗漏具有诊断意义的高风险区域。近年来，开放式光片显微镜等非破坏性三维病理技术能够对完整活检组织进行高分辨率成像，但由此产生数百至数千个二维层面的庞大数据集，无法依赖病理学家逐层人工检查。
为解决这一问题，研究人员开发了 TRICARE（Triage with Context-Aware Prediction for 3D pathology），一种面向三维病理数据的深度学习分诊框架。TRICARE并不直接取代病理学家作出诊断，而是分析完整三维组织，在不同深度的二维层面上计算风险评分，自动筛选最值得病理学家检查的高风险区域。模型采用2.5D多实例学习策略，在评估目标层面的同时整合相邻深度层面的形态学信息，从而获得比单独分析二维图像更准确且更连续的风险预测。研究人员在前列腺癌风险分层和Barrett食管异型增生/癌筛查两种临床任务中验证了这一框架。初步病理学家阅读研究表明，与常规二维组织病理相比，AI分诊的三维病理有望提高高风险病变检出能力，同时减少人工阅片负担。
组织病理学是癌症及多种疾病诊断的重要基础，但传统工作流程本质上是一种二维稀疏采样。组织首先经过切片、染色并安装到载玻片上，病理学家随后根据有限数量的切片推断整个组织的病理状态。当病灶在组织内部呈高度空间异质性时，随机或固定位置获得的二维切片可能无法捕获最具诊断价值的区域。因此，即使病理学家能够准确解释所观察到的图像，组织采样本身仍可能成为限制诊断准确性的因素。
非破坏性三维显微成像为这一问题提供了新的解决方案。通过组织透明化、荧光标记以及高速开放式光片显微成像，可以在不连续切割组织的情况下获得完整活检样本的三维图像，并进一步生成类似苏木精–伊红染色的数字病理图像。这使组织采样比例从传统二维病理的不足1%提高到接近完整体积，但同时也带来了新的瓶颈：一个三维样本可能包含数百甚至数千个二维截面，要求病理学家逐层观察并不现实。
完全自动化的AI可以直接对三维组织进行诊断，但这种模式在临床应用前需要更严格的大规模验证。研究人员因此提出一种更接近现有病理工作流程的策略：AI负责“寻找哪里最值得看”，病理学家继续负责“判断看到的组织意味着什么”。TRICARE由此被设计为分诊而非替代诊断系统，将完整三维组织转换为沿深度变化的风险图谱，再将少量最高风险层面呈现给病理学家。
研究人员利用快速、可逆的组织染色和透明化方法处理福尔马林固定石蜡包埋组织，并采用开放式光片显微镜进行非破坏性三维成像，获得具有类H&E外观的三维病理数据。TRICARE首先将整个三维组织划分为连续二维层面，每个目标层面及其若干相邻层面进一步切分为图像块，并通过预训练二维病理图像编码器转换为低维特征。随后，模型先利用基于注意力的横向聚合模块整合同一层面内的图像块，再通过深度聚合模块融合相邻层面的信息，最终为目标层面生成具有三维上下文信息的风险评分。模型依次处理整个样本，从而得到随组织深度连续变化的风险曲线。研究针对前列腺癌和食管病变分别建立模型：前列腺开发队列包含来自54名患者的112个含癌针芯活检样本；食管模型使用来自24名患者的95个内镜活检或内镜黏膜切除样本。病理标签均依据多名专科病理学家的多数意见确定。
图1｜TRICARE辅助的AI分诊三维病理工作流程。
研究人员首先比较不同的信息聚合方式。传统二维多实例学习仅分析单个目标层面的图像块；TRICARE则进一步引入邻近层面。研究测试了直接混合所有图像块、先沿深度再横向聚合，以及先横向再沿深度聚合等策略。最终，先在每个二维层面内部进行横向特征聚合、再整合不同深度信息的 TRICARE L→D 表现最佳，因此被确定为默认模型。
在前列腺癌开发队列中，TRICARE的AUC达到0.939，明显高于二维基线的0.871；在食管异型增生/癌任务中，AUC由二维模型的0.895提高至0.921。平衡准确率同样由0.750提高至0.826以及由0.779提高至0.833。结果说明，相邻组织层面携带的三维形态学上下文能够帮助模型判断单个二维截面的病理风险。
进一步的消融分析表明，深度信息并非越多越好。前列腺癌风险分层主要依赖较大尺度的腺体结构，因此最优深度范围约为60 μm；食管异型增生更多依赖细胞学形态，其最佳深度范围约为10 μm。两个任务均以包含目标层面在内的三个二维层面取得最佳表现，说明适度而具有生物学意义的邻域信息比简单增加图像数量更有效。
研究人员随后使用独立队列检验TRICARE。前列腺外部验证样本来自另一家医疗机构，并使用不同染色方案以及更高分辨率的新型显微成像系统，因此图像信号、对比度、空间分辨率和噪声均与开发数据存在差异。在这一具有明显域偏移的队列中，TRICARE的AUC仍达到0.847，高于二维模型的0.779。食管独立验证队列中，TRICARE的AUC达到0.917，同样高于二维模型的0.882。
模型注意力图进一步提供了具有病理学意义的可解释性。在高级别前列腺癌中，模型重点关注融合、拥挤的腺体区域，与Gleason 4型的典型形态相符；在低级别肿瘤中，则更多关注结构完整的癌性腺体。食管高级别异型增生中，高注意力区域集中于拥挤和融合的腺体，而低级别病变中则更多集中于具有深染、拉长和分层细胞核的上皮区域。也就是说，模型用于风险判断的视觉特征与病理学家的诊断依据具有较好的形态学一致性。
图2｜TRICARE的模型设计、性能比较和病理形态学解释。
TRICARE的一个重要优势是能够对整个组织沿深度方向逐层评分，而不是只输出整个样本的单一诊断结果。研究人员以10 μm间隔预测三维样本中的二维层面，并生成0至1之间的连续风险曲线。与二维模型相比，引入深度上下文后的风险曲线更加稳定，也更能反映组织真实的空间异质性。
部分前列腺样本表现出明显的深度依赖性：组织上部存在融合、拥挤腺体，因此预测为高级别风险，而向组织深部移动后逐渐出现良性腺体和完整的Gleason 3型腺体，风险随之降低。另一些样本则在整个深度范围内持续表现为高风险，提示高级别形态在组织中分布相对均一。类似现象也出现在食管组织中，一些样本由无异型增生的Barrett食管逐渐过渡到低级别异型增生，而另一些样本在不同深度均表现出较稳定的高风险形态。
这种深度异质性直接说明传统二维采样可能存在系统性盲区。TRICARE并不是单纯提高图像分类准确率，而是利用完整组织体积寻找最可能改变临床判断的位置。
图3｜TRICARE揭示三维病理组织随深度变化的风险异质性。
最关键的验证来自病理学家阅读实验。研究人员首先对59个前列腺样本和30个食管样本进行非破坏性三维成像，随后再将相同组织制备为常规二维H&E切片。病理学家分别观察TRICARE选择的高风险三维病理层面和传统二维病理切片，两次评估之间设置一个月的洗脱期。
分析发现，59个前列腺样本中有11个、30个食管样本中有9个在组织深度方向表现出明显风险变化。然而，只有约11.9%的前列腺样本和13.3%的食管样本，其最高风险区域恰好位于传统二维病理通常能够覆盖的模拟深度范围内。这直接说明，从组织任意一侧进行有限切片可能遗漏真正的高风险病变。
在前列腺癌中，病理学家使用AI分诊三维图像后，将8个病例从低级别升级为高级别，并将3例降级。AI分诊三维病理得到的诊断与5年生化复发结局之间具有更好的对应关系，平衡准确率由0.614提高至0.633，F2得分由0.588提高至0.654。食管任务中，有5例在三维病理评估后被升级为异型增生或癌，而且没有病例被降级。尤其值得注意的是，病理学家仅检查TRICARE筛选的8个层面，就能够发现比常规二维流程检查16张图像更多的肿瘤性病例。
这些升级并非单纯来自模型评分。例如，在一个前列腺病例中，三维分诊图像发现了代表Gleason 4型的融合腺体，而二维切片仅显示Gleason 3型的完整腺体；一个食管病例的三维图像则显示具有明显有丝分裂的筛状腺体结构，而传统二维切片仅表现为无异型增生的Barrett食管。
图4｜AI分诊三维病理与传统二维组织病理的临床验证。
这项研究的核心并不是让AI替代病理学家，而是重新设计三维病理数据与病理学家之间的交互方式。三维成像解决了二维组织学采样不足的问题，却产生了远超人工阅片能力的数据量。TRICARE在两者之间建立了一个分诊层：AI检查整个三维组织，病理学家只检查最可能包含重要病变的少量二维层面，并继续承担最终诊断责任。这种“AI筛选、专家诊断”的模式可能比完全自动化诊断更容易融入现有临床工作流程。
TRICARE的2.5D设计也具有实际意义。完整三维神经网络虽然能够学习体积信息，但计算量较大，而且最终预测通常针对整个样本，不一定能够明确指出病理学家应该查看哪个截面。TRICARE保留二维病理图像这一病理学家熟悉的视觉形式，同时通过相邻层面引入有限而有效的三维上下文，因此在可解释性、计算效率和临床可操作性之间取得了折中。
研究仍处于临床可行性验证阶段。现有临床队列虽然在三维病理领域已具有一定规模，但分析主要针对单个活检样本，而实际患者通常可能具有多个活检组织甚至手术切除标本。不同机构、染色流程和显微镜平台也可能造成明显域偏移，前列腺外部验证中的性能下降已经提示这一问题。未来需要更标准化的三维显微成像和自动染色流程、更丰富的多中心数据以及更有效的域适应方法。模型还需要从目前较粗粒度的高低风险二分类进一步发展到多级分级和分期，并可结合分子特征、免疫组织化学及临床报告形成多模态分析体系。
此外，三维成像本身仍存在技术限制。组织透明化不完全会导致图像质量随深度下降，目前较高质量成像主要覆盖约0.5–2 mm深度。更复杂的透明化方法、散射和像差校正以及图像去噪技术有望扩展成像范围，但也会增加时间、成本或组织损伤风险。
总体而言，TRICARE展示了一条较为现实的三维病理临床转化路径：不是要求病理学家阅读更多图像，也不是直接将诊断权交给AI，而是利用深度学习从完整三维组织中主动寻找最具有诊断价值的截面。研究结果表明，结合深度上下文的AI分诊能够提高高风险区域识别能力，并有望在减少病理学家阅片负担的同时发挥三维病理全面组织采样的优势。
Gao, G., Yan, R., Song, A.H. et al. Deep-learning triage of three-dimensional pathology datasets for comprehensive and efficient pathologist assessments. Nat. Biomed. Eng (2026).
https://doi.org/10.1038/s41551-026-01760-1
内容为【DrugOne】公众号原创｜转载请注明来源
