目前，人工检查组织病理学切片仍然是评估恶性肿瘤、肿瘤亚型和癌症治疗方案的金标准，但病理学家和肿瘤学家越来越多地依靠分子测定来指导癌症的个性化治疗，这些测定可能是昂贵和耗时的，并且与组织病理学图像不同，不是常规收集，限制了它们在回顾性和探索性研究中的使用。另一方面，手动组织学评估需要经过董事会认证的解剖病理学家投入大量的时间，而且往往不足以进行预后预测。几项评价任务，包括诊断分类，在专家之间的一致性也较低。
最近，计算方法在提高病理诊断、预后和基因组预测工作流程的准确性和通量方面取得了实质性进展。然而，缺乏可解释性仍然是其临床整合的一个重要障碍。
最近，研究人员提出了一种利用人类可解释的图像特征（HIFs）从整片组织病理学图像中预测临床相关分子表型的方法。研究人员的方法利用来自5700个样本的160万个认证病理学家的注释，来训练用于细胞和组织分类的深度学习模型，这些模型可以详尽地映射2和4微米分辨率的全玻片图像。
细胞和组织类型的模型输出被组合成607个HIFs，这些HIFs量化了五种癌症类型的特定和生物相关的特征。研究人员证明，这些HIFs与肿瘤微环境的知名标志物相关，并能预测不同的分子特征（AUROC 0.601-0.864），包括四种免疫检查点蛋白的表达和同源重组缺陷，其性能可与 "黑盒 "方法媲美。
总之，该研究证实，基于HIF的方法可以提供一个全面的、定量的、可解释的窗口来了解肿瘤微环境的组成和空间结构。
原始出处：
James A. Diao et al. Human-interpretable image features derived from densely mapped cancer pathology slides predict diverse molecular phenotypes. Nature Communications (2021).