PathPrism 推动计算病理学从黑箱预测迈向生物学可解释

全切片数字化技术让病理图像成为蕴含预后信息的“大数据”，从中挖掘病理医师肉眼难以分辨的“亚视觉”特征，被认为有望改进对疾病侵袭性与患者结局的预测 ^[1]。此后方法学进展迅速：仅以报告诊断为标签的弱监督深度学习，就能在四万余张全切片上训练出高精度分类器 ^[4]；UNI、Prov-GigaPath、CHIEF 等病理基础模型又依托超过十万张切片的大规模预训练，在数十项诊断和预后任务上取得领先表现 ^[5][6][7]。然而预测能力的攀升并未同步回答“模型为何如此判断”：可解释性缺失长期被视为临床整合的重要障碍 ^[3]，而在医疗等高风险决策中依赖事后解释黑箱、而非从一开始就设计内在可解释模型的路线，本身也受到严厉批评 ^[2]。

本期 Cancer Cell 中，Liang 等报告的 PathPrism 正是直面这一矛盾的尝试。该框架从常规组织病理切片中构建可解释的组织结构空间表征，并证明这些表征可以同时支撑三个层面的应用：生物标志物发现、临床预测以及假设生成。作者据此指出，计算病理学正在经历一场从黑箱预测走向具有生物学意义的解释的转型。

放在上述脉络中看，这一工作的意义在于把“解释”从模型的附属品变成了产出本身。它与此前已有的可解释路线相互呼应——例如利用病理学家的海量标注构建人类可解释图像特征，用以预测免疫检查点蛋白表达等分子表型 ^[3]；也实践了“与其解释黑箱，不如直接构建可解释模型”的主张 ^[2]。与以预测性能为主导的基础模型范式 ^[5][6][7] 相比，这类框架强调让模型输出本身成为可读的组织空间结构描述，从而服务于标志物发现与假设提出，而不只是给出一个分数。

当然，摘要并未提供各项任务的具体性能数据与验证规模，其稳健性仍待检验：基础模型时代已被明确指出的跨数字化协议、跨人群泛化难题 ^[7]，以及可解释输出能否真正进入临床工作流、克服可解释性带来的整合障碍 ^[3]，都是 PathPrism 及同类框架下一步需要回答的问题。