原发性肝癌，包括肝细胞癌（HCC）和肝内胆管癌（ICCA），由于其独特的特点而带来了重大挑战。同时存在肝细胞-胆管癌混合型（cHCC-CCA），具有HCC和ICCA两者特征的患者，给临床诊断和管理带来了复杂度。这种罕见情况使得制定精确的治疗策略变得困难，从而导致不良的患者结果。为了解决这一难题，本研究探讨了人工智能（AI）在将cHCC-CCA肿瘤重新分类为纯HCC或ICCA方面的应用，旨在提供改进的预后评估和分子洞察力。
作为肝癌的一种罕见亚型，cHCC-CCA由于其肝细胞和胆管的形态融合而令病理学家困扰。这种复杂的融合常常使得诊断具有挑战性，导致临床管理存在模糊性。此外，缺乏共识指南进一步复杂化了治疗决策。这种复杂性来自于HCC和ICCA之间的模糊界限，cHCC-CCA的遗传特征类似于这两种类型，引发了关于其分子特征的争议。该研究依赖于充分利用AI作为病理图像分析中的有力工具，以区分和潜在地重新分类cHCC-CCA肿瘤为HCC或ICCA。该研究旨在揭示这种分类是否与临床预后和分子遗传模式相一致，帮助更清晰地理解cHCC-CCA。
来自全球各地的研究人员开展的这项研究采用了一个AI流程，该流程基于自监督特征提取器和基于注意力的聚合模型进行训练。这种AI框架旨在识别纯HCC和ICCA，并在发现组中展示了令人印象深刻的交叉验证接收器操作特征曲线下面积（AUROC）达到0.99，展示出两类之间的强大区分能力。随后对独立TCGA队列的验证进一步证实了模型的功效，实现了0.94的AUROC，标志着高度的泛化能力。值得注意的是，AI模型在强调类似ICCA表型的特征方面表现出很强的侧重，表明其能够识别细微的组织学细节。
AI模型在区分纯HCC和ICCA方面的能力促使我们进一步探索其在临床和分子方面的影响。这种区分为cHCC-CCA患者的精确定位和治疗个性化提供了新的可能性，可能弥合对该疾病治疗效果不佳的差距。此外，对ICCA类似特征的关注提示了模型捕捉到了细微的组织结构，与已知的ICCA的病理特征相吻合。这些发现强调了AI在指导更准确的诊断和cHCC-CCA预后标志上的潜力。
论文的关键要点：
- 诊断潜力：AI在将cHCC-CCA重新分类为HCC或ICCA的过程中表现出了潜在的诊断突破。
- 临床意义：AI驱动的分类在指导cHCC-CCA患者个性化治疗策略和预测中具有潜力。
- 分子洞察力：模型对类似ICCA的特征的关注提示其能够捕捉到微妙的组织结构，揭示了cHCC-CCA与已知肝癌类型之间的分子相似性。