解码病理图像：从H&E染料到基因表达的虚拟窥探
病理学AI的跃迁与可解释性的挑战
在当代病理学研究中，利用常规石蜡切片（H&E染料）预测空间转录组（ST）已成为一条极具潜力的技术路径。这项技术的核心在于利用人工智能模型从视觉上看起来相对简单的染料切片中，推导出昂贵且耗时的转录组测序数据。近年来，基于视觉Transformer（ViT）的病理基础模型取得了突破性进展，预测精度已接近甚至超过传统方法。然而，随着模型性能的提升，如何解读这些“黑盒”模型的决策逻辑成为了制约临床应用的关键瓶颈。现有的可解释性方法多集中于生成局部热力图，虽然能指出图像中关注的区域，却难以解释“为什么”这些区域会影响基因表达预测，更无法揭示形态学概念与转录程序之间的内在联系。
构建概念桥梁：从热力图到意义图谱
针对上述痛点，研究团队提出了一种名为“概念基于解释”的框架，旨在填补从形态到功能的认知鸿沟。该框架的创新之处在于打破了传统解释方法的局限，它不再局限于简单的空间热力图，而是引入了概念发现机制。通过结合层级相关性传播与松弛的原型K稀疏自编码器，研究者成功将图像中的形态特征解码为可解释的“概念”。这些概念并非抽象的数学符号，而是对应组织结构、细胞分布或病变模式的可视化表征。这种设计使得研究者能够从宏观的预测结果回溯到微观的组织形态，建立起“组织长什么样”与“基因表达如何”的直接对应关系。
实证验证：结直肠癌亚型的精准描绘
为了验证该框架的实用性，研究者选取了结直肠癌患者的空间转录组数据作为验证对象。实验结果表明，该模型在预测临床相关的ST签名和分子表型方面表现出色。特别是在iCMS2和iCMS3两种结直肠癌亚型的空间异质性分析中，模型展现了强大的捕捉能力。测量与预测的基因表达谱在大量样本中显示出显著的空间异质性，这意味着模型能够敏感地捕捉到肿瘤微环境的空间变化。在分类任务中，空间分辨率的iCMS分类加权F1分数达到了0.872，而聚合后的分类分数为0.819，即便在TCGA COAD数据集上泛化测试时，分数仍保持在0.770的水平，这在业内已经属于非常具有竞争力的成绩。
形态与预测的深度关联
值得一提的是，研究者在分析概念激活与相关性导出概念时发现了有趣的规律。传统的概念激活往往反映了图像中显著的视觉特征，而通过相关性传播衍生出的概念，则更直接地链接到了模型的下游预测结果。这种差异提示，相关性基的概念不仅仅是图像的视觉呈现，更承载了模型进行决策时考虑的关键病理信息。这种发现对于理解AI模型的“思维过程”具有重要意义，它表明，并非所有显著的视觉特征都等同于预测的核心驱动因素，真正影响预测的，是那些在相关性传播过程中被放大的病理概念。
展望与思考：可解释AI的新范式
该研究确立了空间预测的概念基础解释通用策略，并证明了该框架可广泛应用于各类基于ViT的病理模型。从实际应用角度看，这项技术有望成为病理诊断的有力辅助工具，帮助医生更好地理解病变的分子基础。对于科研人员而言，提供的概念图谱为研究癌症的形态学基础提供了新的切入点。未来，随着此类可解释框架的成熟，我们有理由期待，AI不再仅仅是一个预测工具，而将成为连接病理图像与分子机制的桥梁，推动病理学从“形态诊断”向“机制诊断”转型的关键一步。