在當今的癌癥研究中，早期檢測被公認為改善患者預后的關鍵。然而，一個略顯尷尬的現(xiàn)實是，盡管我們對腫瘤本身投入了大量研究精力，但對于作為對照基準的“正常”組織，卻缺乏系統(tǒng)、定量的分析工具。尤其是在乳腺癌領域，病理診斷的金標準——蘇木精和伊紅（H&E）染色的全切片圖像（Whole Slide Images， WSIs）已全面數(shù)字化，為人工智能（AI）驅動的研究鋪平了道路。但現(xiàn)有研究多聚焦于識別癌細胞或病變區(qū)域，對于構成乳腺主體的正常乳腺組織（Normal Breast Tissue， NBT）的精細結構和成分，我們的計算分析能力仍然有限。這就像在繪制一張疾病地圖時，只標記了“危險區(qū)域”，卻沒有清晰界定“安全區(qū)”的邊界，無疑限制了我們對“異常”起源的深刻理解。

為了填補這一空白，一項發(fā)表于《npj Breast Cancer》的研究應運而生。研究人員意識到，定量解析NBT的顯微結構（區(qū)室），不僅是計算病理學的基礎，更是識別那些微妙但至關重要的癌前變化的先決條件。試想，如果無法精確區(qū)分正常的上皮、支撐性的間質和能量儲存的脂肪細胞，又如何能敏銳地捕捉到上皮細胞在癌變前夜的細微異常呢？因此，這項研究的核心目標，就是為科學界提供一套針對NBT的、穩(wěn)健且可解釋的人工智能“顯微鏡”——NBT-Classifiers。

研究人員開展此項研究，主要運用了以下幾項關鍵技術：首先，他們從多個來源和隊列中精心篩選并注釋了70張NBT的WSIs，由病理學家手動標注出上皮（epithelium）、間質（stroma）和脂肪細胞（adipocytes）區(qū)域，構建了高質量的數(shù)據(jù)集（已在GitHub平臺開源）。其次，他們基于卷積神經(jīng)網(wǎng)絡（CNN）開發(fā)了針對不同尺度圖像塊（patch）的分類模型，即NBT-Classifiers。最后，他們利用兩種可解釋人工智能（explainable AI， XAI）技術來可視化模型所學到的特征，以驗證其生物學的合理性。

研究結果部分通過系統(tǒng)的實驗，驗證了NBT-Classifiers的有效性與獨特性。

研究團隊構建的NBT-Classifiers模型，能夠在128 × 128 μm和256 × 256 μm兩種尺度的圖像塊上，對NBT的三種主要區(qū)室進行高精度分類。在三個獨立的外部驗證隊列中，模型的受試者工作特征曲線下面積（AUC）達到了0.98至1.00的卓越水平，證明了其強大的泛化能力和穩(wěn)健性。

一個關鍵發(fā)現(xiàn)是，NBT-Classifiers所學到的、用于區(qū)分正常上皮的特征，與區(qū)分癌前病變（precancerous）或癌性（cancerous）上皮的特征是相互獨立的。這意味著模型并非簡單地學習“非癌”特征，而是真正捕捉到了正常組織的特異性形態(tài)模式。研究人員進一步通過兩種XAI技術對模型決策過程進行可視化，直觀展示了模型在做出分類判斷時所關注的圖像區(qū)域，增強了模型的可信度與生物學可解釋性。

為了體現(xiàn)其實用價值，研究將NBT-Classifiers整合到一個端到端的預處理分析流程中。結果顯示，該模型能夠高效、準確地分割整個WSI，特別是有助于聚焦和分析小葉周圍（peri-lobular）區(qū)域的組織成分。這為下游更精細的分析（如特定區(qū)域的基因表達或細胞相互作用研究）提供了極大的便利。

歸納該研究的結論與討論，其重要意義在于多個層面。首先，NBT-Classifiers提供了一套全新的、穩(wěn)健的區(qū)室特異性分析工具。它首次利用AI大規(guī)模、定量地描繪了正常乳腺組織的顯微解剖學圖譜，將以往主觀、定性的組織學觀察轉化為客觀、可重復的數(shù)據(jù)。其次，這項研究深化了我們對NBT在WSI中表現(xiàn)形式的理解。模型所學到的獨立特征表明，正常組織擁有其獨特的、可被機器學習識別的“身份特征”，這為建立“正常基線”提供了計算依據(jù)。最終，也是最重要的意義在于，這套工具和由此產(chǎn)生的知識，可以作為識別癌前惡性變化（premalignant changes）的寶貴參考點。通過精確界定“正常”，我們能更敏銳地探測到偏離正常的早期信號，從而為制定乳腺癌早期預防策略提供新的洞見和工具。這項研究標志著計算病理學從疾病檢測向理解健康組織構造邁出了堅實一步，為癌癥的源頭防控開辟了新路徑。