病理學在精準醫(yī)療時代的發(fā)展

(北京大學醫(yī)學部病理學系，第三醫(yī)院病理科，北京 100191)

隨著后基因組時代的來臨，高通量和高敏感性分析技術(shù)的興起、與信息和人工智能技術(shù)的結(jié)合，以及各種新興技術(shù)向醫(yī)學各領(lǐng)域的滲透，醫(yī)學進入了一個飛速發(fā)展的時期。新的醫(yī)學模式不斷地被提出和定義。個體化醫(yī)療以及最新的精準醫(yī)學(Precision medicine)，旨在通過分子組學為患者提供個性化和更有效的疾病診斷、治療和預防的手段。在腫瘤分子靶向治療的推動下，分子病理學的誕生使病理學從單純的疾病診斷延伸到臨床治療的全過程，重新定義了病理學在現(xiàn)代醫(yī)學中基礎(chǔ)研究與臨床之間的橋梁作用，而同時傳統(tǒng)病理學的諸多領(lǐng)域，包括解剖、組織、細胞以及超微病理在整合性(Integrative)、系統(tǒng)性(Systematic)、智能化、大數(shù)據(jù)化的指導下，正在經(jīng)歷學科的重新布局和改造，迎接精準病理學(Precision pathology)的建立。

1 傳統(tǒng)病理向形態(tài)組學的發(fā)展

病理學，尤其是解剖病理學主要是形態(tài)學，即肉眼觀察的大體病理或顯微鏡下的細胞/組織病理學，以及電子顯微鏡下的超微病理學。近年來隨著計算機以及各種新型成像技術(shù)的發(fā)展，形態(tài)組學(Morphomics，morphome)被提出：包括從傳統(tǒng)放射、超聲、磁共振，到大體器官改變的宏形態(tài)組(Macromorphome)，到組織病理為核心的微形態(tài)組(Micromorphome)，以及超高分辨顯微技術(shù)和電子顯微技術(shù)支持的納米形態(tài)組(Nanomorphome)，以接近連續(xù)的方式實現(xiàn)從器官、組織、細胞、亞細胞/細胞器以及分子水平的形態(tài)展示[1-2]。

目前，形態(tài)組學正在多個方面努力：首先通過關(guān)聯(lián)顯微技術(shù)(Correlative microscopy)實現(xiàn)不同觀察尺度下視野一致；其次以超高分辨顯微(Super-resolution microscopy)技術(shù)彌補光學顯微鏡到電子顯微鏡之間的由于光衍射限度所造成的分辨空白區(qū)域，即實現(xiàn)對亞細胞器、分子復合體或大分子的直接觀察。尤其是超高分辨顯微鏡彌補了電子顯微技術(shù)所缺乏的對多種分子、形態(tài)以及活細胞狀態(tài)下的動態(tài)觀察。目前超高分辨SIM、STED顯微鏡已經(jīng)進入實驗室，PALM/STORM技術(shù)已經(jīng)有商品化的產(chǎn)品。另外，多重標記，或高通量的標記技術(shù)，如利用計算機技術(shù)輔助實現(xiàn)電子顯微鏡的多重標記，即以不同大小的膠體金顆粒、不同直徑量子點以及不同存在形式(如膜結(jié)合、游離等狀態(tài))為區(qū)分的成像差異實現(xiàn)電子顯微技術(shù)的多參數(shù)檢測[3]；或者新的質(zhì)譜免疫組化 (MSIHC)，即利用金屬元素標記抗體，然后進行質(zhì)譜分析，可以同時采用上百種抗體檢測。較之熒光素，金屬元素具有更好的光譜區(qū)分度[4-6]。新型生物成像技術(shù)，如組織透明 (Tissue clearing)技術(shù)不斷涌現(xiàn)，可以實現(xiàn)無標記或無染色成像技術(shù)。同時，計算機輔助下的數(shù)字顯微成像，可以實現(xiàn)不同圖像之間的模擬轉(zhuǎn)換，如熒光圖像、明場圖像、相差、HE圖像之間的自由轉(zhuǎn)換，為不同領(lǐng)域工作者提供不同的圖像形式。

尤其重要的是，形態(tài)組學的發(fā)展將實現(xiàn)對疾病改變在不同觀察層面的整合性認識，即從影像學到病理學，器官-組織-細胞-分子的集合觀察。最近有學者將前列腺MRI圖像與病理數(shù)字切片圖像進行關(guān)聯(lián)分析，實現(xiàn)對前列腺癌的分析。同時，也實現(xiàn)了圖像與其內(nèi)在分子改變的關(guān)聯(lián)分析，即圖像的功能化[2]。也只有這樣才能從根本上揭示不同尺度下圖像之間的有機聯(lián)系。多模式成像(Multimodal imaging)的概念已經(jīng)被提出，旨在利用放射、超聲、光學鏡、MRI圖像，結(jié)合質(zhì)譜、分子檢測等技術(shù)獲得有關(guān)疾病全面的形態(tài)及相關(guān)分子功能信息。

2 分子病理學的拓展

分子病理學是近十年來病理學的一個最具活力和最重要的發(fā)展領(lǐng)域，使病理學進入了腫瘤靶向治療、個體化醫(yī)療或者精準醫(yī)療的領(lǐng)域。在新技術(shù)的不斷引進和滲透下，分子病理學將會從以下3個方面進行發(fā)展。

2.1 單一分子靶點到分子組學

目前分析石蠟組織或者細胞學樣本中HER2、C-KIT、PDGFRA、EGFR、BRAF、ALK、ROS1、VEGF、CD20、BCR-ABL等分子生物學改變已經(jīng)成為常規(guī)的病理治療靶點檢測項目；而新的靶點正不斷被鑒定[7]。通過對治療靶點、分子分型、組織病理學分級及病理臨床分期等方面的深入分析，病理學檢查為確定腫瘤的分類及分層治療提供了依據(jù)。然而，多數(shù)腫瘤分子分型，或者預后因素涉及多個基因改變，這既是驅(qū)動基因突變帶來信號通路激活的結(jié)果，同時也是腫瘤普遍存在異質(zhì)性的原因。另外，部分腫瘤會發(fā)生具有背景基因的突變，如目前已經(jīng)明確的BRCA1/2、MMRs、P53、PTEN、RB等基因的突變。腫瘤組織學分級和臨床分期也反映了基因改變的差異。因此，分子譜、分子組檢測將成為必然。

尤其是近些年來，以二代測序技術(shù)(the Next-Generation Sequencing)作為標志的高通量(High-throughput)檢測技術(shù)的普及，標志著生命科學進入了一個嶄新的時代[8-9]。二代測序、基因芯片、蛋白質(zhì)組、代謝組、NanoString等高通量分子檢測技術(shù)使生物醫(yī)學研究可以大量分子同時檢測，同時獲得分子間功能調(diào)節(jié)的網(wǎng)絡(luò)效應信息，因此生物醫(yī)學進入了組學(-omics)時代，即包括基因組學、蛋白質(zhì)組學、轉(zhuǎn)錄組學、外顯子組學、微小RNA組學、代謝組學、表觀遺傳組學的全基因組分析(Whole Genome Analysis)的大數(shù)據(jù)時代。分子組學的興起催生了生物學領(lǐng)域系統(tǒng)生物學(Systems Biology)的誕生。病理學界也提出建立系統(tǒng)病理學(Systems Pathology)這一新的方向：即基于病理形態(tài)變化，以新一代測序技術(shù)等高通量分析技術(shù)為基礎(chǔ)，整合定性與定量、動態(tài)與靜態(tài)信息，建立起具有連貫性的模式來闡明疾病、重復預測疾病過程以及選擇不同的治療方案等[10]。

2.2 靜態(tài)到動態(tài)，或診斷到全程監(jiān)測

由于非侵入性檢查理念和分子病理學的進展，以及高敏感性檢測技術(shù)的誕生，如數(shù)字PCR技術(shù)、超深度二代測序技術(shù)等，病理學分析材料正不斷從依賴活檢、切除標本，向更多利用脫落細胞學和針吸細胞學，尤其是血液、尿液、腦脊液等體液分子的檢測，即液體活檢(Liquid biopsy)方面發(fā)展。尤其在腫瘤治療過程中靶向分子的治療反應、耐藥性、繼發(fā)突變確定，液體活檢正在迅速開展，其檢測的內(nèi)容也在不斷更新，從循環(huán)腫瘤細胞(CTC)、循環(huán)腫瘤DNA(CTD)到最近確立的腫瘤外泌體(Exosome)、腫瘤修飾血小板(Tumor educated platelet)的檢測，以及單細胞分析及相關(guān)技術(shù)也將是病理學發(fā)展的一個新的生長點，期待被廣泛應用于疾病的診斷、預后判斷、治療反應預測與療效評估、甚至于疾病的易感性評估[11-12]。

2.3 分子檢測與病理圖像的整合

疾病通常涉及多種組織或者多種類型的細胞，即使腫瘤也通常由形態(tài)各異的腫瘤細胞排列成多種組織構(gòu)象，其反映了疾病中細胞間的相互作用以及腫瘤細胞分化程度、演進的差異等等。如何將分子改變與組織圖像有機聯(lián)系是一個當今正在發(fā)展的領(lǐng)域。一方面通過對于分子檢測與圖像的相關(guān)性進行海量的數(shù)據(jù)分析而實現(xiàn)。而另一方面，保留圖像的原位分子分析技術(shù)同樣是更容易理解的方式。與之相關(guān)的技術(shù)包括目前正在興起的單細胞測序、組織原位高通量測序(in situ-NGS)、原位蛋白質(zhì)組學或質(zhì)譜圖像技術(shù)(MSI)。無論是對大量數(shù)據(jù)分析，或是通過這些所謂原位技術(shù)的成果將促進分子病理學與傳統(tǒng)病理學的融合，即分子組學與形態(tài)組學的融合，從而解決腫瘤異質(zhì)性、腫瘤演進、致病基因突變與組織發(fā)生、分化途徑的關(guān)系等腫瘤分子分型的依據(jù)等重要問題[13-14]。

3 從數(shù)字切片到計算病理學和智能化病理學

本世紀初，信息技術(shù)滲透到常規(guī)病理檢查實踐，產(chǎn)生了最初的遠程顯微鏡(Remote microscope)以及虛擬切片(Virtual slide)技術(shù)，為病理圖像交流提供了便利。經(jīng)過多年發(fā)展， 全數(shù)字切片(WSI)得到實現(xiàn)，不僅運用于遠程病理 (Telepathology)診斷，也正在逐步改變著病理診斷的工作模式。同時，包括語言、文字等多種方式的人機交流系統(tǒng)也進入病理診斷輔助系統(tǒng)[15]。

數(shù)字切片技術(shù)的發(fā)展使圖像的定量分析成為了可能，即計算病理學(Computational pathology)逐漸興起。無論是基于手工指導性特征(Handcrafted features)或是非指導性特征(Unsupervised feature)的定量分析都成為計算病理學的分析途徑。目前基于全數(shù)字切片已經(jīng)嘗試應用于移植病理等常規(guī)病理學的定量化分析[16-17]。

計算病理學的發(fā)展使得人工智能 (Artificial intelligence)技術(shù)正進入病理學領(lǐng)域，以機器學習(Machine learning)或者深度學習(Deep learning)的方式建立自動人工智能系統(tǒng)不僅可以實現(xiàn)計算機輔助診斷，即服務(wù)于病理醫(yī)師的輔助診斷系統(tǒng)(SMILE)，還可以實現(xiàn)診斷的客觀性、均質(zhì)化及標準化。目前，國際病理學會、相關(guān)學術(shù)機構(gòu)以及有關(guān)企業(yè)正在利用深度學習開發(fā)智能化的圖像分析與識別：如細胞核、病原體(結(jié)核桿菌)、淋巴結(jié)轉(zhuǎn)移癌、癌細胞、肺癌類型的自動識別。不僅如此，進一步結(jié)合分子檢測，將人工識別與分子病理學相結(jié)合，即實現(xiàn)病理圖像功能化：圖像與臨床資料、分子檢測一體化已經(jīng)初見端倪。最近，有學者開發(fā)出FusionGP系統(tǒng)(2016)，對乳腺癌采用數(shù)字圖像與ER表達、基因表達譜、拷貝數(shù)變異相結(jié)合，預測患者化療敏感性、臨床預后與結(jié)局[18-19]。除此之外，更應該看到基于數(shù)字病理的人工智能化病理技術(shù)將為未來病理圖像數(shù)據(jù)庫的建立提供契機，實現(xiàn)“以圖搜圖”，即實現(xiàn)類似基因序列比對的圖像比對(Image blast)。

4 病理大數(shù)據(jù)——精準醫(yī)學的重要節(jié)點

分子組學的成果、信息技術(shù)的發(fā)展也改變著我們認識事物的方式，基于多種數(shù)據(jù)的挖掘、揭示其內(nèi)部規(guī)律與聯(lián)系的全新的大數(shù)據(jù)分析方式正在形成。近年來，提出了分子病理流行病學(MPE) 的概念[20]。其內(nèi)涵在于建立一種從基因、疾病及社會、人文等因素三個主要方面探索疾病發(fā)生、治療、轉(zhuǎn)化規(guī)律的大數(shù)據(jù)分析模式。其中，可以預測包含形態(tài)組學、分子病理組學、信息以及智能化病理大數(shù)據(jù)系統(tǒng)是重要的組成部分，也是病理大數(shù)據(jù)構(gòu)建的核心內(nèi)容。

5 總結(jié)

發(fā)展精準病理學將是當今生物醫(yī)學時代的重要內(nèi)容。基因組學、蛋白質(zhì)組學、代謝組學的發(fā)展，宏觀與微觀的圖像技術(shù)有機結(jié)合，信息及智能技術(shù)的進步將推動病理宏觀與微觀領(lǐng)域的深入發(fā)展，實現(xiàn)各形態(tài)層次的整合，形態(tài)與功能的整合(形態(tài)組學與分子組學)，病理與臨床的整合，病理與社會、人文的整合，推動臨床病理大數(shù)據(jù)與MPE的實現(xiàn)。

在精準病理學時代，病理診斷應當努力做到：①診斷的客觀性、重復性、一致性；②疾病分類、分層；③疾病治療的評估與新的治療提示；④診斷到治療全程監(jiān)測；⑤新的疾病類型、疾病譜的認識；⑥從目前MDT的一員，到精準醫(yī)療網(wǎng)絡(luò)的一員。病理學必須在生命科學與臨床醫(yī)學間尋找自身的發(fā)展坐標。不斷吸收新的技術(shù)創(chuàng)新與生命科學新的發(fā)現(xiàn)，依據(jù)精準醫(yī)學計劃下各個領(lǐng)域帶來的新模式，拓展病理學的內(nèi)涵，找到廣闊的發(fā)展空間和機遇，從而不斷發(fā)揮生命科學與臨床醫(yī)學之間的橋梁作用，實現(xiàn)與時代要求相適應的精準病理學。

[參考文獻]

[1] LUCOCQ J M, MAYHEW T M, SCHWAB Y, et al. Systems biology in 3D space--enter the morpheme[J]. Trends Cell Biol, 2015,25(2):59-64.

[2] MAYHEW T M, LUCOCQ J M. From gross anatomy to the nanomorphome: Stereological tools provide a paradigm for advancing research in quantitative morphomics[J]. J Anat, 2015,226(4):309-321.

[3] MAYHEW T M, LUCOCQ J M. Multiple-labelling immunoEM using different sizes of colloidal gold: Alternative approaches to test for differential distribution and colocalization in subcellular structures[J]. Histochem Cell Biol, 2011,135(3):317-326.

[4] LEVENSON R M, BOROWSKY A D, ANGELO M. Immunohistochemistry and mass spectrometry for highly multiplexed cellular molecular imaging[J]. Lab Invest, 2015,95(4): 397-405.

[5] ANGELO M, BENDALL S C, FINCK R, et al. Multiplexed ion beam imaging of human breast tumors[J]. Nat Med. 2014, 20(4):436-442.

[6] GIESEN C, WANG H A, SCHAPIRO D, et al. Highly multiplexed imaging of tumor tissues with subcellular resolution by mass cytometry[J]. Nat Methods, 2014,11(4):417-422.

[7] DIETEL M. Molecular pathology: A requirement for precision medicine in cancer[J]. Oncol Res Treat, 2016,39(12):804-810.

[8] APARICIO A S, HUNTSMAN G D. Does massively parallel DNA resequencing signify the end of histopathology as we know it[J]? J Pathol, 2010,220: 307-315.

[9] MOCH H, BLANK R P, DIETE M, et al. Personalized cancer medicine and the future of pathology[J]. Virchows Arch, 2012,460: 3-8.

[10] ROSS S J. Next-generation pathology[J]. Am J Clin Pathol, 2011,135: 663-665.

[11] CHI K R. The tumour trail left in blood[J]. Nature, 2016,532(7598):269-271.

[12] HOFMAN P, POPPER H H. Pathologists and liquid biopsies: To be or not to be[J]? Virchows Arch, 2016,469(6):601-609.

[13] LONGUESPEE R, CASADONTE R, KRIEGSMANN M, et al. MALDI mass spectrometry imaging: A cutting-edge tool for fundamental and clinical histopathology[J]. Proteomics Clin Appl, 2016,10(7):701-719.

[14] LIU J, OUYANG Z. Mass spectrometry imaging for biome-dical applications[J]. Anal Bioanal Chem, 2013,405(17): 5645-5653.

[15] PARK S, PARWANI A V, ALLER R D, et al. The history of pathology informatics: A global perspective[J]. J Pathol Inform, 2013,4(4):7.

[16] ISSE K, LESNIAK A, GRAMA K, et al. Digital Transplantation Pathology: Combining whole slide imaging, multiplex staining and automated image analysis[J]. Am J Transplant, 2012,12: 27-37.

[17] AL-JANABI S, HUISMAN A, VAN DIEST P J. Digital pathology: Current status and future perspectives[J]. Histopathology, 2012,61(1)：1-9.

[18] MADABHUSHI A, LEE G. Image analysis and machine learning in digital pathology: Challenges and opportunities[J]. Med Image Anal, 2016,33:170-175.

[19] YE J J. Artificial intelligence for pathologists is not near--It is here: Description of a prototype that can transform how we practice pathology tomorrow[J]. Arch Pathol Lab Med, 2015,139(7): 929-935.

[20] HAMADA T, KEUM N, NISHIHARA R, et al. Molecular pathological epidemiology: New developing frontiers of big data science to study etiologies and pathogenesis[J]. J Gastroenterol, 2017,52(3): 265-275.