近日，第七附属医院陈羽、王栋教授团队在病理图像智能分析领域取得新进展，为利用常规病理图像提高肿瘤风险评估准确性和辅助个体化治疗提供了新思路。

肿瘤内部存在明显异质性，不同区域的细胞状态和分子特征往往并不相同。识别与疾病进展、复发风险和治疗反应相关的细胞亚群，对于准确判断病情、发现预后标志物和制定针对性治疗方案具有重要意义。然而，这类分析通常依赖额外分子检测，成本较高，应用也受到一定限制。针对这一问题，研究团队提出了基于常规病理全切片图像的多尺度基因表达预测框架BiSCALE，尝试同时预测组织尺度和近细胞尺度的基因表达信息。

BiSCALE整体研究流程示意图

研究结果显示，BiSCALE在组织尺度和近细胞尺度的基因表达预测任务中均表现出良好性能。进一步分析表明，该方法预测得到的表达谱不仅在基因层面与真实测量结果具有较好一致性，在通路活性层面也能够恢复具有生物学意义的关键信号。这提示，常规病理图像除了承载组织形态信息外，还具有反映分子特征的潜力。

BiSCALE在表型相关细胞亚群识别中的应用效果

在此基础上，研究团队进一步利用模型预测结果开展下游分析，实现了患者层面的风险分层和局部区域的细胞身份注释，并识别出与复发、缺氧等临床表型相关的细胞亚群。相关结果表明，基于常规病理图像的多尺度表达预测，不仅有助于更好理解肿瘤内部的空间异质性，也为生物标志物发现和精准医学研究提供了新的技术支持。

该研究成果发表于国际知名期刊《Advanced Science》，题为“Multi-Scale Mapping of Gene Expression from Whole-slide Images for Identifying Phenotype-Associated Subpopulations”。第七附属医院陈羽教授、王栋教授为通讯作者。该研究为利用常规病理图像评估肿瘤风险、识别关键分子特征和辅助精准治疗提供了新方法。随着后续研究的深入和临床验证的推进，该方法有望在肿瘤风险评估、关键分子特征识别和精准治疗辅助决策中发挥更大作用，进一步彰显第七附属医院在病理图像智能分析与临床转化研究中的特色优势。