英国国王学院开发HRDPath模型从病理图像预测卵巢癌同源重组修复缺陷

在上皮性卵巢癌中，恶性程度最高的高级别浆液性癌被归入Ⅱ型肿瘤，侵袭性强，确诊时多已届晚期^[1][6]。TCGA对489例高级别浆液性卵巢腺癌的综合分析显示，约半数肿瘤存在同源重组修复缺陷（HRD），BRCA1/2突变是其重要来源^[2]。这个“修不好DNA”的软肋恰可转化为治疗窗口：在携带BRCA1/2突变的复发卵巢癌患者中，PARP抑制剂奥拉帕利400毫克每日两次剂量组的客观缓解率达33%^[3]，BRCA状态还被整合进预后模型以区分生存结局与铂类耐药风险^[4]。卡点在于，现有HRD检测依赖复杂的基因分析，昂贵、耗时，在资源有限的医疗环境中难以普及。

这项2026年10月发表于Nature Communications的研究聚焦高级别浆液性输卵管-卵巢癌（HGSOC），由伦敦国王学院Heba Sailem领衔。他们构建的可解释多模型深度学习架构HRDPath不直接读取DNA，而是分析显微镜下的高分辨率组织图像：模型以经基因组分析确认HRD状态的样本图像训练，经图像块提取、RetCCL特征嵌入、训练与预测等流程，学会区分HRD阳性和阴性肿瘤；当综合同一患者的多张图像时，可正确识别约91%的HRD阳性病例。研究者还找到了形态学线索——HRD阳性肿瘤的细胞核更圆，某些区域内癌细胞排列更密集，这类细微改变在常规阅片中难以察觉。

从常规病理图像推断分子状态并非无据可依：在结直肠癌中，基于病理图像的深度学习模型预测微卫星不稳定状态，测试集AUC已达0.8848^[5]。HRDPath把这一思路用于HGSOC的HRD预测，并提供了可解释性——它表明DNA修复缺陷会在肿瘤组织的结构与细胞排列上留下AI可识别的痕迹。若验证成立，医院为诊断而常规采集的组织图像即可顺带完成HRD分层，减少对昂贵基因检测的依赖，帮助临床锁定可能受益于铂类化疗和PARP抑制剂的患者。

不过，距离临床落地尚有距离。据产业媒体报道，这是一项回顾性计算病理学研究^[7]；消息本身也强调，还需在更大规模患者群体中进一步验证。目前约91%仅指HRD阳性病例的识别率，特异性以及与现行基因检测的一致性等关键指标，仍有待更多数据回答。但方向已然清晰：把藏在显微图像中的信息转化为精准用药的依据，让更多地区的卵巢癌患者获得与自身肿瘤匹配的治疗。