导语：当术前活检无法触及深部肿瘤时，外科医生该如何预判肝细胞癌的病理特征?这个困扰临床多年的难题，如今因生成式AI的介入而出现转机。

        术前病理评估长期依赖有创操作，

        生成式视觉-语言模型能否

        无创解码肝细胞癌病理全貌?

        肝细胞癌(HCC)是全球致死率最高的恶性肿瘤之一，五年生存率长期低于20%，多数患者确诊时已属晚期。病理检查作为诊断金标准，能够提供Ki-67增殖指数、微血管侵犯(MVI)、免疫组化标志物等核心生物学信息，直接决定手术方案与预后判断。然而，传统病理评估必须依赖术后切除标本或穿刺活检，前者无法指导术前决策，后者不仅存在出血、感染风险，更不能全面反映肿瘤异质性。这一时间差与信息差，导致许多患者在等待病理结果期间错失最佳治疗窗口。人工智能(AI)虽已在影像组学领域崭露头角，但现有模型大多止步于孤立标志物的二分类预测，或停留于辅助诊断层面，远不能满足临床对完整病理报告的迫切需求。更棘手的是，这些缺乏生成能力的模型无法与医生进行灵活交互，临床实用性大打折扣。

        2025年12月，eBioMedicine在线发表了一篇题为"A generative vision-language model for holistic pathological assessment using preoperative imaging in hepatocellular carcinoma"的文章，首次将生成式视觉-语言模型(VLM)引入肝癌术前评估。研究开发的HepaPathGPT系统，不仅能从CT/MRI影像中自动分割肿瘤，更能生成包含分化程度、免疫组化结果、分子标志物表达的结构化病理报告。这项工作的突破性在于，它超越了传统影像→标签的判别范式，实现了影像→自然语言报告的生成式跨越，让AI真正读懂影像并书写病理。临床医生可通过交互式界面实时追问，获得可解释、可追溯的病理预判，为精准切除与个体化治疗提供了前所未有的无创工具。

        多中心数据构建影像-文本对库，

        SegFormer分割结合LoRA微调

        实现病理报告生成

        本研究是一项回顾性多中心观察性研究，旨在开发并验证基于术前影像的生成式病理评估系统HepaPathGPT。研究团队从中国大陆10家医院(包括复旦中山医院、重庆医科大学附属第三医院等)连续纳入2462例接受肝切除的原发性HCC患者，经严格筛选后最终1091例纳入分析。纳入标准明确限定为术后病理确诊、术前1个月内有完整CT/MRI影像及详细病理报告、Child-Pugh A级肝功能、无术前抗肿瘤治疗史且影像未显示大血管侵犯或肝外转移的病例。排除标准则聚焦于数据不完整、经治患者及影像质量不佳者，以最大程度减少混杂偏倚。为测试跨机构泛化能力，研究特意将绵阳市第三医院(MY)的109例患者作为外部验证队列，其影像采集设备与协议完全独立于训练集，模拟真实临床异质性。

        干预措施并非传统意义上的药物或手术，而是构建了一个影像预处理→深度学习分割→多模态对齐→语言模型微调→报告生成的完整AI管道。具体而言，所有CT/MRI动脉期图像首先经重采样至1mm³体素和强度归一化，消除不同设备差异。随后，两位资深放射科医生使用3D-Slicer软件标注肿瘤区域，训练SegFormer-B5分割模型实现自动化病灶提取。核心创新在于，研究采用Low-Rank Adaptation(LoRA)技术，对四个主流预训练视觉-语言框架(LLaVA 1.5-7B、LLaVA 1.5-Med-7B、Qwen2VL-7B-Instruct、DeepSeek-VL-7B-Chat)进行参数高效微调。LoRA将大矩阵分解为低秩矩阵(秩=16)，仅训练少量参数而冻结底层视觉编码器，既保留通用多模态知识，又适配肝癌病理领域特异性。每个患者的所有肿瘤层面切片被堆叠为高维张量，与病理报告文本一对一配对，确保肿瘤内与瘤周特征被完整编码。

        主要评价指标分为三级：第一级为影像分割质量，采用平均交并比(mIoU)和Dice系数;第二级为病理标志物预测性能，包括Ki-67、CK19、P53、CD34、CK18、分化等级、精氨酸酶-1等7个核心生物标志物的分类准确率、精确率、召回率和F1值;第三级为生成文本质量，使用BLEU-4和ROUGE(ROUGE-1、ROUGE-2、ROUGE-L)指标评估生成报告与金标准病理报告的词法和语义相似度。次要指标包括病理学家对生成报告的六维度人工评价(准确性、完整性、逻辑性、专业性、一致性、实用性)，以及诊断时间对比。所有实验均在Linux系统、5块NVIDIA RTX 3090 GPU上完成，采用Wilcoxon秩和检验进行统计学比较，显著性阈值设为P<0.05。

        HepaPathGPT分割精度接近专家水平，

        生成病理报告获92.5%临床认可度

        在影像分割任务中，SegFormer-B5模型表现卓越，在外部队列中取得mIoU 0.883±0.007和Dice系数0.934±0.006，与金标准标注高度一致。这一性能显著优于传统U-Net++(Dice 0.901)和nnU-Net(Dice 0.918)，证实其在复杂肝脏成像中的鲁棒性。自动分割的成功为后续病理特征提取奠定了坚实基础，确保模型聚焦肿瘤本质区域而非背景噪声。

        在病理标志物预测方面，经过LoRA微调的LLaVA 1.5-7B模型展现出最强的泛化能力。在外部验证的109例患者中，该模型对6个核心标志物的平均分类准确率达0.697±0.024，其中Ki-67 F1值0.705±0.034，CK19 F1值0.727±0.068，显著优于医学专用版LLaVA 1.5-Med-7B(P<0.05)(图1B)。值得注意的是，对于临床关注度极高的微血管侵犯(MVI)标志物CD34，模型F1值达0.490±0.031，虽低于其他标志物但已具备实用价值。相比之下，Qwen2VL-7B-Instruct在Ki-67预测中准确率仅0.451±0.036，暴露出在医学专门任务上的适配不足。

        注：a. 四个模型(LLaVA 1.5-Med-7B、LLaVA 1.5-7B、Qwen2VL-7B-Instruct、DeepSeek-VL-7B-Chat)在微调过程中的损失曲线变化;b. 对Ki-67、CK19、P53、CD34、精氨酸酶-1、分化等级和CK8/18等七个关键标志物的预测性能(准确率、精确率、召回率、F1值)，显示LLaVA 1.5-7B表现最优。

图1 四种视觉-语言模型生成肝细胞癌病理描述的性能比较

        文本生成质量评估显示，LLaVA 1.5-7B生成的病理报告与金标准报告高度相似，BLEU-4评分62.7±1.7，ROUGE-1评分84.2±1.1，ROUGE-2评分71.7±1.6，全面领先其他三个框架(P<0.001)(图2)。这些数值意味着生成报告在词汇选择、短语匹配和句子连贯性上均达到临床可接受水平。尤为关键的是，五位病理学家独立盲评结果显示，92.5%的报告在准确性维度被评为完全可接受或大部分可接受，完整性接受度达87.4%，逻辑性87.3%，专业性91.4。此外，HepaPathGPT平均生成报告时间仅12.5秒，而资深病理学家人工诊断需15-25分钟，效率提升超过百倍。

图2 模型生成报告与实际病理报告的准确性比较

        图3展示了一个典型案例：对于左肝叶3.5cm的原发性中分化HCC伴坏死、包膜侵犯及肝硬化背景，HepaPathGPT生成的报告不仅准确描述了肿瘤位置、大小、分化程度，还正确列出了PCK、Glypican-3、Arginase-1、HepPar-1、CD34、CK8/18阳性及CK19阴性等完整免疫组化谱系，与金标准报告高度吻合。相比之下，LLaVA 1.5-Med-7B遗漏了包膜侵犯细节，DeepSeek-VL-7B-Chat仅提供笼统描述，Qwen2VL-7B-Instruct出现少量幻觉，而GPT-4o虽可读性强但标志物特异性不足。这一对比直观地证明了HepaPathGPT在细节捕捉和临床实用性上的优势。

        注：同一HCC病例的术前影像及各模型生成的病理报告。

图3 不同视觉-语言模型生成病理解读的比较

        总结

        本研究开创性地将生成式视觉-语言模型应用于肝细胞癌术前病理评估，开发的HepaPathGPT系统突破了传统AI仅能预测离散标志物的局限，实现了从影像到完整病理报告的自然语言生成。技术层面，SegFormer-B5分割与LoRA参数高效微调的结合，在保证影像特征精准提取的同时，避免了灾难性遗忘，使通用大模型适配医学领域;临床层面，外部验证中69.7%的平均标志物预测准确率和92.5%的病理学家接受度，证明该系统已具备实际部署的可靠性，且12.5秒的报告生成速度可无缝嵌入门诊工作流程;范式层面，交互式生成报告模式赋予医生主动追问能力，改变了传统AI黑箱预测的单向输出，符合临床决策的动态需求。作者指出，HepaPathGPT并非替代病理诊断，而是作为术前表型助手，在已确诊HCC患者中提供无创病理分层，未来可进一步整合检索增强生成(RAG)和医学知识图谱，将Ki-67、MVI等标志物预测与复发风险模型及治疗指南联动，实现从影像→病理→决策的全链条闭环。

        参考文献

        WANG L, TIAN F, LI F, et al. A generative vision-language model for holistic pathological assessment using preoperative imaging in hepatocellular carcinoma[J]. eBioMedicine, 2025, 122: 106060. DOI: 10.1016/j.ebiom.2025.106060.

        “医学论坛网”发布医学领域研究成果和解读，供专业人员科研参考，不作为诊疗标准，使用需根据具体情况评估。

        作者提示：健康医疗分享，仅供参考