武汉大学人民医院陈志远教授团队｜基于 H&E 全切片图像的 AI 模型实现膀胱癌免疫表型分型

该研究围绕肌层浸润性膀胱癌（MIBC）免疫治疗疗效异质性及免疫表型评估缺乏标准化的问题，构建并验证了一种基于常规 H&E 染色全切片图像（WSI）的人工智能系统 MIPDAS（MIBC Immune Phenotyping Diagnostic AI System）。研究整合 Hover-Net 细胞识别、细胞结构图网络和 XGBoost 分类器，从肿瘤细胞、免疫细胞和基质细胞的空间拓扑关系中提取特征，用于将 MIBC 分为 immune-inflamed、immune-excluded 和 immune-desert 三种免疫表型。该系统在训练集、内部验证集和外部验证集中均取得较高分类性能，并在免疫检查点抑制剂治疗队列中显示出与疗效反应相关的预测价值，同时还能对患者总生存进行分层。研究进一步通过 MxIF 验证 Hover-Net 细胞分类准确性，并通过 TCGA 队列的免疫浸润、免疫检查点基因和通路分析说明 MIPDAS 所定义的免疫表型具有明确的生物学基础。

题目：基于 H&E 全切片图像的 AI 模型实现膀胱癌免疫表型分型

期刊：npj Precision Oncology（IF=9.9）

亮点思路整理

1. 从“免疫细胞多少”升级到“免疫细胞在哪里、如何相互作用”

既往肿瘤免疫表型评估往往依赖 TIL 数量、密度或 IHC 半定量评分，但这些方法很难捕捉肿瘤细胞、免疫细胞和基质细胞之间的空间结构关系。该研究的核心创新是将 H&E WSI 转化为细胞空间图谱：先用 Hover-Net 识别肿瘤、免疫和基质细胞，再基于细胞核中心点构建 K 近邻图，通过图结构特征刻画免疫-免疫、免疫-肿瘤和免疫-基质相互作用。研究构建了 Graph_I-I、Graph_I-T 和 Graph_I-S 三类免疫中心相互作用图，并以 k=5、距离阈值 25 μm 的方式保留可能具有生物学意义的局部细胞连接。

2. MIPDAS 将常规 H&E 图像转化为可标准化的免疫表型诊断工具

研究没有依赖昂贵的多重染色作为最终输入，而是使用临床最常规的 H&E WSI。模型流程包括图像预处理、细胞识别、图构建和 MIPDAS 开发四个步骤；最终通过 LASSO 筛选空间拓扑特征，并用 XGBoost 构建免疫表型分类器。该设计的优势在于可扩展性较强，有潜力把传统病理切片转化为可量化、可复现的肿瘤免疫空间评估工具。

3. 模型不只是做分类，还直接关联免疫治疗疗效和预后

这篇文章的临床价值不仅在于能把 MIBC 分成 inflamed、excluded 和 desert 三种免疫表型，还进一步证明这些表型与 ICI 疗效和 OS 相关。在 RHWU 免疫治疗队列中，Inflamed 型患者的治疗反应率为 72.5%，明显高于 Excluded 型的 25.9% 和 Desert 型的 19.0%；相比 Inflamed 型，Excluded 和 Desert 型的治疗响应概率显著降低。相比 PD-L1 TPS，MIPDAS 免疫表型的预测强度更高，提示“空间免疫结构”可能比单一 PD-L1 表达更能反映免疫治疗获益人群。

图 1 | MIPDAS 整体研究设计：从 H&E WSI 到免疫表型分类.研究首先对 MIBC 患者手术切除标本进行 H&E 扫描，获得 WSI；随后将图像切分为 patch，并通过 Hover-Net 识别肿瘤细胞、免疫细胞和基质细胞；接着基于细胞空间位置构建 K 近邻图，提取拓扑特征；最后利用 XGBoost 模型输出 immune-inflamed、immune-excluded 和 immune-desert 三类免疫表型。图中还展示了 MxIF 验证和病理医师对照评估，说明该研究不仅关注算法性能，也关注模型输出是否能被病理学和临床场景验证。

图 2 | MIPDAS 队列构建和验证流程.研究纳入来自武汉大学人民医院（RHWU）、汉川市人民医院（PHHC）和 TCGA-BLCA 的 MIBC 患者；RHWU 队列用于训练和内部验证，PHHC 与 TCGA 队列用于外部验证，另有 40 例 RHWU 患者用于人机对照和 AI 辅助验证。正文结果显示，RHWU 回顾性纳入 450 例患者，PHHC 纳入 99 例，TCGA 纳入 314 例；此外，RHWU 还前瞻性纳入 40 例用于额外验证，并有 RHWU 88 例和 PHHC 20 例接受 ICI 治疗的患者用于疗效预测分析。质控过程中剔除了褪色、折叠、染色不佳、气泡和失焦等质量问题切片。

图 3 | MxIF 验证 Hover-Net 细胞分类准确性研究在两例代表性样本中进行了连续 MxIF 和 H&E 染色，并在 25 个匹配区域中比较 MxIF 与 Hover-Net 对肿瘤细胞、免疫细胞和基质细胞的计数结果。MxIF 中，Pan-cytokeratin 阳性定义为肿瘤细胞，SMA 阳性定义为基质细胞，CD3e 或 CD20 阳性定义为免疫细胞。结果显示，Hover-Net 与 MxIF 的细胞计数高度一致：肿瘤细胞、免疫细胞和基质细胞的 Spearman 相关系数分别为 0.99、0.97 和 0.96，说明该 AI 细胞分类具有较好的单细胞水平可靠性。

图 4 | MIPDAS 在训练、内部验证和外部验证中均表现稳定，并提升病理医师诊断效率研究从 57 个免疫浸润空间特征中通过 LASSO 筛选关键特征，并在 lambda.min = 0.024 时保留最优预测性能。最终入模特征包括 Graph_T-I_Nsubgraph、I-I、Graph_T-I_AuthorityScore、Graph_I-I_Betweenness、Graph_I-I_Coreness、T-T、I/T、Graph_T-I_Eigenvector 和 T-S 等，提示免疫-肿瘤连接、免疫-免疫连接和细胞比例均是免疫表型判别的重要信息。模型在三类免疫表型识别中表现较好：训练集 macro-AUC 为 0.956，内部验证集为 0.929，外部验证集为 0.922；macro-precision、macro-sensitivity、macro-specificity 和 macro-F1 也均保持较高水平。特征贡献分析显示，Graph_T-I_Nsubgraph 权重最高，进一步强调肿瘤-免疫空间连接在免疫表型判别中的核心作用。在人机比较中，MIPDAS 单独诊断的 macro-accuracy 为 0.917，高于两名初级病理医师和两名高级病理医师。AI 辅助后，四位病理医师的准确率均提高，初级病理医师 A 从 0.633 提高至 0.833，初级病理医师 B 从 0.675 提高至 0.867；同时，AI 还显著缩短了每例 WSI 的平均阅片时间。

图 5 | MIPDAS 预测的三种免疫表型具有明确空间结构差异，并与 ICI 疗效相关.多数患者有 2–5 张包含肿瘤的膀胱组织切片，研究使用诊断切片推导患者层面免疫表型；在 2 张切片患者中，97% 的患者所有切片免疫表型一致，3–5 张切片患者的一致比例分别为 94%、92% 和 87%。这说明 MIPDAS 输出在多切片患者中具有一定稳定性。空间结构上，Immune-inflamed 型表现为肿瘤细胞之间有密集免疫细胞浸润，并伴随丰富的肿瘤-免疫和免疫-免疫连接；Immune-excluded 型呈中间状态；Immune-desert 型则表现为免疫浸润稀少、T-I 和 I-I 连接较少。定量分析显示，9 个筛选特征在三种表型之间均存在显著差异。在 ICI 治疗疗效方面，MIPDAS 免疫表型与治疗反应显著相关。RHWU 队列中，Inflamed 型反应率最高，为 72.5%；Excluded 和 Desert 型分别为 25.9% 和 19.0%。与 Inflamed 型相比，Excluded 型和 Desert 型的 ICI 反应优势比分别为 0.13 和 0.09，提示非炎症型肿瘤对 ICI 的响应显著降低。

图 6 | MIPDAS 免疫表型可用于 MIBC 患者预后分层。Kaplan-Meier 分析显示，MIPDAS 可在 RHWU 和 PHHC 队列中显著区分 MIBC 患者 OS，两个队列均达到 P < 0.001。C-index 分别为 0.751 和 0.788，提示其具有较好的预后判别能力。进一步 Cox 分析显示，MIPDAS 免疫表型在 RHWU 和 PHHC 队列中均具有独立预后价值。RHWU 队列中，MIPDAS 多因素 HR 为 0.285；PHHC 队列中，多因素 HR 为 0.298，均达到 P < 0.001。这说明 MIPDAS 不是简单复现传统分期或 TIL 密度，而是提供了额外的空间免疫预后信息。

图 7 | TCGA 队列验证 MIPDAS 免疫表型的生物学基础。在 314 例 TCGA MIBC 患者中，MIPDAS 将 111 例分为 Inflamed 型，98 例分为 Excluded 型，105 例分为 Desert 型。Inflamed 型具有更高的 ImmuneScore、StromalScore 和 ESTIMATEScore，而 Desert 型最低。多种免疫浸润算法显示，Inflamed 型富集更多免疫细胞，包括 CD8⁺ T 细胞；Desert 型则免疫浸润明显不足。此外，GO 和免疫功能分析显示，不同免疫表型之间存在显著免疫通路差异；Inflamed 型中 CTLA4、PD1 和 PD-L1 等免疫检查点基因表达更高，提示其可能更容易从免疫检查点抑制剂中获益。这些结果支持 MIPDAS 所定义的三类免疫表型并非单纯图像分类结果，而是对应了具有生物学意义的“热肿瘤—冷肿瘤”免疫连续谱。

该研究开发并验证了一个基于 H&E 全切片图像的 MIBC 免疫表型诊断系统 MIPDAS。与传统 TIL 密度或 PD-L1 TPS 评估不同，MIPDAS 的核心在于利用 Hover-Net 提取肿瘤、免疫和基质细胞，再通过细胞图网络捕捉肿瘤-免疫-基质之间的空间拓扑关系，从而实现 immune-inflamed、immune-excluded 和 immune-desert 三类免疫表型的自动分类。模型在训练、内部验证和外部验证中均取得较高 macro-AUC，并在额外人机验证中提高病理医师诊断准确率、缩短阅片时间。更重要的是，MIPDAS 预测的免疫表型与 ICI 治疗反应和 OS 均显著相关，Inflamed 型显示更高免疫治疗反应率、更丰富 CD8⁺ T 细胞浸润和更高免疫检查点表达，而 Desert 型则呈现免疫冷状态。这篇文章的创新点主要有三点：第一，将常规 H&E WSI 转化为可量化的免疫空间图谱，降低了对复杂多重染色的依赖；第二，把细胞图网络引入膀胱癌免疫表型分型，不再局限于简单细胞计数或密度；第三，模型不仅用于诊断分型，还与 ICI 疗效、OS 和 TCGA 免疫生物学特征相互验证，增强了临床转化价值。