日前，清华大学北京市中医药交叉研究所所长、欧洲科学与艺术院院士李梢课题组在英国国际权威期刊《自然》的子刊、综合性国际学术期刊《自然通讯》（NatureCommunications）发表题为《系统推断组织病理图像中的超分辨率细胞空间分布谱》的研究论文，提出了基于弱监督学习的病理影像——细胞网络关系推断算法HistoCell。首次在单细胞尺度上实现病理影像微观信息空间关联网络的从头推断，应用于发现胃癌等多种肿瘤诊疗标志物，对于智能解析中西医的系统生物学基础、促进肿瘤精准防治有重要意义。
随着生物医学研究进入AI时代，如何建立高精度的AI算法，突破宏、微观跨层次推断难题，系统解码病理影像形态特征与临床表型、微观细胞之间的关联关系，揭示肿瘤等复杂疾病的中西医诊疗规律并发掘新的诊疗标志物、干预靶点，促进疾病精准防治，已成为当前研究重点和前沿热点。
该研究在中西医宏、微观跨层次推断的方法学上取得重要突破，建立了一种病理影像与细胞信息的层次模块化编码算法，该算法具有预测精度高、训练效率高的显著优势，对肿瘤病理影像相关细胞类型信息的预测精度（平均相关系数）是当前同类最优预测算法POLARIS（一种基于概率的推断方法）的3.1倍。更值得关注的是，该算法使得在只有单个空间转录组样本作为训练数据的条件下依然能表现优越的预测性能，显著提升算法的训练效率，为解决目前医学人工智能研究、特别是中医药人工智能研究所面临的“小样本”训练数据难题提供了重要突破口。
研究将HistoCell算法广泛应用于肿瘤发生预警、预后风险分层以及药物响应预测等多个临床诊疗场景，多维度验证展现算法的临床价值。在胃癌“极早期”这一表征胃炎癌转化临界状态的新分期，成功推断出与胃癌极早期细胞相关的影像学特征，在此基础上融合胃癌极早期中西医临床特征，实现胃癌发生的高精度预警。在预后风险分层方面，研究团队通过解析乳腺癌、胰腺癌以及肝癌等肿瘤病理影像相关细胞空间网络的预后关联，发掘出具有生物可解释性且具有多种肿瘤共性预后风险分层价值的影像标志物，得到公共临床数据的验证。在药物响应预测方面，通过辨识与免疫细胞相关的病理影像特征，发现并验证肿瘤化疗响应相关的病理影像标志物。
李梢课题组长期致力于从“生物网络”这一系统的角度研究肿瘤等复杂疾病发生发展及药物干预机制。此前研制了中西医药分子网络导航系统——UNIQ系统，并在胃癌中西医极早防治、中药创新研发上取得重要应用。本研究作为UNIQ系统在中西医人工智能前沿技术与应用上的新突破，通过将网络关系推断拓展到病理影像层次，为进一步发展网络药理学、系统理解复杂疾病中西医诊疗规律提供了新方法。
13248098704