乳腺癌保乳手术的核心目标，是在尽可能保留乳房外形与功能的同时，完整切除肿瘤组织。对于外科医生和病理医生而言，一个关键问题始终存在：切缘是否真正安全？

传统病理评估主要依赖H&E染色切片，通过观察切缘处是否存在残余肿瘤细胞来判断是否需要进一步切除。然而，肿瘤的侵袭并不只体现在“有没有肿瘤细胞”上。肿瘤周围的微环境，尤其是胶原纤维的重塑，也可能隐藏着与复发、转移相关的重要信息。

近日，福州大学王舒教授、刘文犀教授与福建师范大学陈建新教授、福建医科大学附属协和医院康德勇主任等团队合作，在Advanced Science发表了题为From Label-Free Multiphoton Imaging to Pathological Reports: A Vision-Language Breast Cancer Margin Pathological Diagnosis System的研究论文。

该研究提出了一套名为MarginPath的乳腺癌切缘病理诊断系统，将无标记多光子显微成像、虚拟H&E染色、肿瘤相关胶原特征识别以及视觉语言模型结合起来，尝试从一张未染色组织切片出发，自动生成包含图像、热图和文字描述的综合病理报告。

为什么传统切缘评估还不够？

在保乳手术中，病理切缘评估直接影响术中决策。如果切缘阳性，患者可能需要扩大切除；如果切缘被误判为阴性，则可能增加局部复发风险。

传统H&E病理切片擅长观察细胞形态，尤其是识别残余肿瘤细胞。但研究指出，H&E评估对肿瘤微环境中的某些预后相关成分并不敏感。例如，肿瘤周围胶原纤维的排列、密度、方向和结构变化，往往反映了肿瘤-基质相互作用的状态。

这些胶原结构被称为肿瘤相关胶原特征，即TACS。尤其是位于肿瘤边界和侵袭前沿的TACS4到TACS8，被认为与局部复发、侵袭和转移过程密切相关。

换句话说，切缘评估不应只问“这里有没有肿瘤细胞”，还应进一步追问：

这里的肿瘤微环境是否已经发生了危险的重塑？

多光子显微成像：看见传统染色之外的信息

多光子显微技术（Multiphoton Microscopy），简称MPM，是一种无标记成像技术。它不依赖传统染色，就可以同时捕捉组织中的细胞和胶原纤维等结构信息。

在这项研究中，MPM通过两类信号观察乳腺癌组织微环境：一类是二次谐波信号，用于显示胶原纤维；另一类是双光子激发荧光信号，用于显示细胞及组织成分。这样，研究人员能够在同一张组织切片上观察肿瘤区域、肿瘤边界、侵袭前沿和邻近正常区域。

不过，MPM也有一个现实难题：病理医生更熟悉H&E染色图像，而MPM图像的视觉风格和传统病理切片差异很大。如果没有专门训练，直接阅读MPM图像并不容易。

这正是 MarginPath要解决的问题之一。

MarginPath如何工作？

研究团队设计的MarginPath系统大致包括四个步骤。

首先，系统使用MPM获取无标记全切片图像，捕捉肿瘤细胞、胶原纤维、脂肪组织、导管小叶结构以及不同类型TACS。

其次，系统将MPM图像转换成病理医生更熟悉的虚拟H&E图像。研究中采用了一种基于强度反转的虚拟染色策略，使生成图像能够更好地对应真实H&E图像中的细胞和胶原结构。

第三，系统对可疑区域进行分类和切缘预测。它会识别肿瘤组织、正常胶原、脂肪、导管小叶结构以及TACS4到TACS8等不同微环境成分，并生成切缘状态热图。热图中，高风险肿瘤区域、非肿瘤区域以及边界模糊的可疑区域会被直观标出。

最后，系统把图像特征、分类概率和TACS病理意义转化为结构化文本提示，再由视觉语言模型生成病理报告。报告不仅说明切缘阴性或阳性，还会描述肿瘤微环境组成、胶原纤维排列、肿瘤-基质界面状态以及可能提示侵袭的结构特征。

这意味着，MarginPath输出的不只是一个简单判断，而是一份更接近临床病理语言的综合报告。

MarginPath系统整体工作流程。系统从无标记多光子成像出发，经过虚拟H&E染色、可疑区域识别、切缘热图生成，最终形成包含图像和文字的病理诊断报告。

AI如何把图像变成病理语言？

很多医学AI模型擅长分类，例如判断“有无肿瘤”或“良恶性”。但临床病理报告并不只是一个标签，而是一套有逻辑、有解释、有空间描述的医学语言。

MarginPath的一个重要设计，是先把图像中的分类概率转化成结构化描述。例如，系统会计算某一区域中正常组织、肿瘤组织、TACS4—TACS8等成分的概率，再根据概率高低转换为“显著”“中等”“轻度”“少量”等临床表达。

这样做的好处是，大模型不是直接“凭图想象”，而是基于已经提取出的病理特征生成报告，从而减少医学文本生成中的不确定性。

它比普通AI病理模型强在哪里？

这项研究在158例浸润性乳腺癌样本上进行了验证。其中，132例用于训练系统核心模块，26例来自另一家医院，用于独立测试。

结果显示，MarginPath在多个方面优于现有方法。

在虚拟染色方面，它生成的虚拟H&E图像与参考图像更接近。在肿瘤微环境分类和切缘预测方面，MarginPath优于MedMamba、ResNet和EMO等模型。在病理文字报告生成方面，它也优于多种通用或医学视觉语言模型，能够生成更完整、更符合医学语义的显微描述。

尤其值得注意的是，MarginPath并不是简单地让大模型“看图说话”。它先通过专门的MPM图像分析模块提取切缘相关特征，再把这些特征转换为结构化提示，最后生成报告。这种设计减少了大模型直接生成医学文本时可能出现的幻觉问题，也提高了报告的可解释性。

对临床有什么潜在价值？

MarginPath的定位并不是取代现有H&E病理流程，而是作为一种补充工具。

研究指出，无标记MPM成像可以在传统染色之前完成，随后同一张组织切片仍可继续进行标准H&E染色。因此，它与现有病理流程具有一定兼容性。

更重要的是，MarginPath可以把病理医生不熟悉的MPM信息，转换成三种更容易理解的输出：虚拟H&E图像、切缘热图和自然语言报告。这样既能帮助病理医生快速定位可疑区域，也能为外科医生提供更直观的术中决策支持。

研究还提到，当前MarginPath流程约需11到16分钟，而常规冰冻切片检查通常约需30分钟。这提示该系统未来有潜力嵌入术中诊断流程，缩短等待时间，提高切缘判断效率。

MarginPath生成的多光子切缘病理报告示例。报告同时包含MPM全切片图像、虚拟H&E图像、ROI区域、切缘热图、诊断结论和显微描述，展示了从图像到报告的完整闭环。

仍需面对哪些挑战？

尽管结果令人期待，MarginPath仍处在研究验证阶段，距离大规模临床应用还有一些问题需要解决。

首先，系统性能依赖训练数据的质量和多样性。对于罕见病理类型或复杂样本，模型表现可能下降。

其次，尽管研究团队通过结构化提示降低了语言模型幻觉风险，但在概率模糊、多个TACS特征共存等情况下，生成报告仍可能出现不一致内容。

此外，MPM设备、成像流程、病理科工作流整合和多中心临床验证，都是未来转化过程中必须面对的现实问题。

小结

MarginPath的意义在于，它把乳腺癌切缘评估从“单纯寻找残余肿瘤细胞”，推进到“综合理解肿瘤微环境”。

它利用无标记多光子成像看见胶原重塑，用虚拟染色降低病理医生阅读门槛，用热图提示可疑切缘区域，再用视觉语言模型生成结构化病理报告。

对于科研领域而言，这项工作展示了一个值得关注的方向：未来的AI病理系统，可能不只是识别图像中的病变区域，而是能够整合多模态信息，解释组织微环境，并生成可被医生理解和使用的诊断语言。

原文链接：https://doi.org/10.1002/advs.75709

模型链接：https://github.com/AI-XPM-group/MarginPath