准确的亚型诊断对于指导恶性间皮瘤的治疗和预测患者结局至关重要。大多数计算病理学模型均基于切除标本的大型组织图像进行训练，这种做法能够最大限度地获取训练信息，但也限制了模型在真实世界诊断环境中的适用性，因为小活检标本才是最常见的组织来源。在本研究中，我们汇集了一个大型多中心队列，其中包括经HES和HPS染色的间皮瘤活检切片。我们采用自监督学习模型，评估活检驱动的形态学模式与组织学亚型、分子标志物及生存之间的关联。所发现的组织形态学模式捕捉到了涵盖上皮样、肉瘤样和非肿瘤形态的组织表型连续谱。此外，患者层面的HPC表征在区分上皮样与非上皮样间皮瘤方面表现出优异性能（AUC = 0.94），并显示出对免疫组织化学（IHC）标志物的预测价值。此外，仅由HPC衍生的特征所获得的性能与既定的临床和分子变量相当（C-index = 0.65）；而将HPC与临床信息及标志物信息相结合后，性能提高至C-index = 0.69。多个HPC与有利或不利预后显著相关，并反映了已知的亚型特异性生物学模式。总之，自监督学习能够直接从常规间皮瘤活检标本中发现具有可解释性的组织形态学表型，而无需进一步训练。这些由人工智能衍生的表型捕捉了具有临床和生物学意义的信息，将组织结构与分子特征、组织学亚型及患者结局联系起来。所提出的框架提供了一个全面的利用预训练模型对真实世界活检数据进行评估，无需进行计算密集型的重新训练，并探讨基于自监督学习（SSL）的人工智能能否在临床环境中开箱即用。
准确的亚型诊断对于指导恶性间皮瘤的治疗和预测患者结局至关重要。大多数计算病理学模型均基于切除标本的大型组织图像进行训练，这种做法能够最大限度地获取训练信息，但也限制了模型在真实世界诊断环境中的适用性，因为小活检标本才是最常见的组织来源。在本研究中，我们汇集了一个大型多中心队列，其中包括经HES和HPS染色的间皮瘤活检切片。我们采用自监督学习模型，评估活检驱动的形态学模式与组织学亚型、分子标志物及生存之间的关联。所发现的组织形态学模式捕捉到了涵盖上皮样、肉瘤样和非肿瘤形态的组织表型连续谱。此外，患者层面的HPC表征在区分上皮样与非上皮样间皮瘤方面表现出优异性能（AUC = 0.94），并显示出对免疫组织化学（IHC）标志物的预测价值。此外，仅由HPC衍生的特征所获得的性能与既定的临床和分子变量相当（C-index = 0.65）；而将HPC与临床信息及标志物信息相结合后，性能提高至C-index = 0.69。多个HPC与有利或不利预后显著相关，并反映了已知的亚型特异性生物学模式。总之，自监督学习能够直接从常规间皮瘤活检标本中发现具有可解释性的组织形态学表型，而无需进一步训练。这些由人工智能衍生的表型捕捉了具有临床和生物学意义的信息，将组织结构与分子特征、组织学亚型及患者结局联系起来。所提出的框架提供了一个全面的
利用预训练模型评估真实世界的活检数据，无需进行计算密集型再训练，并探讨了基于自监督学习（SSL）的人工智能是否能够在临床环境中开箱即用地部署。
作者声明不存在利益冲突。
感谢您有意传播有关 bioRxiv 的信息。
注意：要求提供您的电子邮箱地址仅用于确认您是本文的发送者。
关键词：恶性间皮瘤 · 自监督学习 · 计算病理学 · 组织形态学表型 · 活检分析 · 预后预测
原文链接：https://www.biorxiv.org/content/10.64898/2026.08.09.743741v1?rss=1