PLOS Medicine 中山大学肿瘤防治中心蔡木炎等团队：基于多视角深度学习的组织病理学分析用于II期结直肠癌的预后与治疗分层

01文献学习今天分享的文献是由中山大学肿瘤防治中心蔡木炎团队联合中山大学计算机科学与工程学院、天津医科大学肿瘤医院、中山大学附属第六医院等多中心团队于2026年1月13日在《PLOS Medicine》中科院1区top,IF9.9上发表的研究“Multiview deep-learning-enabled histopathology for prognostic and therapeutic stratification in stage II colorectal cancer: A retrospective multicenter study”即基于多视角深度学习的组织病理学在II期结直肠癌预后及治疗分层中的应用该研究提出并验证了一个名为SurvFinder的可解释深度学习框架用于从II期结直肠癌CRC患者的HE染色全切片图像WSI中自主识别与预后相关的组织生物标志物并整合多视角特征进行风险分层与辅助化疗决策支持。创新点①提出多视角深度学习框架整合组织空间分布与形态学特征全面捕捉肿瘤微环境信息。②模型能自主识别三级淋巴结构作为预后标志物实现无标注全切片图像的特征挖掘。③融合可解释人工智能技术增强模型透明度辅助理解决策依据与生物学机制。临床价值①显著提升Ⅱ期结直肠癌复发风险预测准确性优于传统临床病理指标助力个体化预后评估。②可识别辅助化疗获益人群优化治疗决策避免低危患者过度治疗与高危患者治疗不足。③基于常规HE切片自动化分析成本低、易推广有望成为临床实用的辅助分层工具。图 1SurvFinder框架工作流程风险相关组织特征自主识别以II期结直肠癌多切片数据为输入通过WSINet注意力机制模型识别高关注度组织特征核心锁定三级淋巴结构TLSs。预后生物标志物多分类分割SegNet包含两个子模型——TNTMTLS-正常-肿瘤组织分类模型生成组织预测热图TLSMTLS亚型分类模型将TLS进一步分为Agg聚集型、FL-1初级滤泡、FL-2次级滤泡三类。多视角与多模态风险预测MVNet通过空间分支SpB提取TLS位置/面积等空间特征、形态分支MpB提取TLS成熟度等形态特征经多视角融合生成风险评分MMF多模态融合模型整合MVNet特征与临床因素最终输出用于风险分层和辅助化疗ACT决策的预测结果。02研究背景及目的研究背景II期结直肠癌是全球第三大常见恶性肿瘤尽管已接受标准手术治疗仍有约20%的患者面临肿瘤复发的风险导致其成为癌症相关死亡的主要原因之一。目前临床决策主要依赖美国国家综合癌症网络指南推荐的高危临床病理特征如pT4分期、局部穿孔、淋巴结采样不足等来判断是否需行辅助化疗。然而辅助化疗对传统高危患者的疗效有限且伴随显著的毒副作用、经济负担及约0.5%-1%的死亡率凸显了现有分层工具的不足。近年来基因与分子生物标志物如错配修复状态、循环肿瘤DNA等虽显示出潜力但其临床应用受限仅少数患者15%为错配修复缺陷型且多数检测成本高昂、操作复杂难以在临床广泛推广。因此亟需一种高效、可及且基于常规临床数据的预后预测工具。苏木精-伊红染色组织病理切片作为每位患者的常规检查项目蕴含丰富的形态学信息结合近年来数字病理与深度学习技术的快速发展为从全切片图像中自动提取预后相关特征提供了可能。本研究旨在利用深度学习技术挖掘这些常规切片中的隐藏信息以弥补现有分层方法的不足为II期结直肠癌的个体化治疗提供新思路。研究目的本研究旨在开发并验证一个可解释的深度学习框架——SurvFinder以从常规HE染色全切片图像中自主识别与预后和治疗反应相关的组织学生物标志物从而实现II期结直肠癌患者的精准风险分层与治疗指导。具体目标包括首先构建一个能够从海量病理图像中自动学习并提取关键预后特征的模型尤其关注三级淋巴结构等具有潜在生物学意义的组织形态其次通过多视角融合技术整合TLS的空间分布、形态成熟度等多维度特征构建一个超越单一特征或传统临床参数的高性能预后预测模型再者利用可解释人工智能技术揭示模型决策依据确保其预测结果具有临床可理解性与生物合理性增强医生信任度最后在多中心回顾性数据集共1,604名患者6,950张切片上严格验证模型的泛化能力评估其在识别高危复发人群及预测辅助化疗获益方面的效能。最终本研究希望通过提供一个自动化、低成本、可解释的AI辅助工具帮助临床医生更准确地区分II期结直肠癌患者的复发风险优化辅助化疗决策实现真正的个体化精准医疗。03数据和方法研究数据来源4个独立队列3个中国多中心队列 TCGA公开数据样本量6950张HE切片来自1604例II期CRC患者队列划分内部训练/验证集Internal-CRCII743例外部验证集1External-CRCII-1352例外部验证集2External-CRCII-2331例TCGA验证集TCGA-CRCII178例技术方法1模型架构SurvFinder框架WSINet注意力机制多实例学习模型从WSIs中识别预后相关组织特征如TLSs聚合切片特征生成患者水平预测。SegNet包含2个分类器——TNTMTLS-正常-肿瘤组织分类和TLSMTLS表型分类Agg/FL-1/FL-2生成组织热图并分割生物标志物区域。MVNet多视角融合模型含空间分支SpB提取TLS位置、面积、与肿瘤距离等特征和形态分支MpB提取TLS成熟度等形态特征实现特征融合预测。MMF多模态融合模型整合MVNet特征与14项临床病理参数如肿瘤分化、MMR状态生成最终预后评分。2训练与验证训练策略Internal-CRCII队列5折交叉验证模型训练500个epoch预后模型/100个epoch分类模型优化器采用AdamW/SGD损失函数为交叉熵。验证策略外部队列直接应用训练后模型无重训练避免信息泄露。评估指标AUROC预测准确性、Kaplan-Meier生存分析风险分层、Cox回归分析独立预后价值。3可解释性分析使用注意力热图、SHAP方法解释模型决策结合病理学家注释验证特征生物学意义04实验结果1模型性能WSINet内部队列AUROC0.69595% CI0.639-0.751识别出TLSs为关键预后特征。SegNetTNTM组织分类AUROC均0.999TLSMTLS表型分类AUROC0.91-0.985分割准确性优异。MVNet四个队列AUROC分别为0.827、0.805、0.805、0.712显著优于单分支模型和传统临床参数HR8.2395% CI5.43-12.47p0.001。MMF多模态融合后性能进一步提升各队列AUROC均高于MVNet和单纯临床模型。2风险分层与化疗指导风险分层MVNet将患者分为高低风险组所有队列中两组无复发生存RFS差异显著p0.0001。化疗获益高风险组接受ACT后RFS显著改善Internal-CRCIIp0.023External-CRCII-1p0.026External-CRCII-2p0.00081低风险组无显著获益。3可解释性结果空间特征肿瘤边缘1-4.5mm处的TLSs与良好预后强相关。形态特征成熟TLSFL-2在无复发组更常见不成熟TLSAgg/FL-1在复发组更富集。不良预后特征肿瘤平均面积增大与复发风险升高相关。图 2WSINet识别预后相关组织生物标志物的性能与解释图 3SegNet对多类别组织生物标志物的分割性能图 4SurvFinder的预测与预后性能图 5SurvFinder指导辅助化疗ACT决策的性能图 6SurvFinder的可解释性分析05研究结论本研究通过开发并验证名为SurvFinder的可解释深度学习框架成功利用常规HE染色病理全切片图像WSIs实现了对II期结直肠癌CRC患者的自动化、个体化预后与治疗分层。该研究首次通过多中心回顾性数据共计1,604名患者系统证实深度学习能够自主识别出三级淋巴结构TLS作为关键的组织学生物标志物。通过整合TLS的空间分布如距肿瘤边缘的距离与形态学成熟度等多视角特征模型MVNet在四个独立数据集中均展现出显著优于传统临床病理参数的预测性能AUROC最高达0.827和独立的预后价值风险比HR8.23。更重要的是模型能够有效识别出可能从辅助化疗ACT中获益的高危患者亚组为个体化治疗决策提供了新依据。尽管存在回顾性研究的固有局限且模型尚未进行前瞻性临床部署验证但该工作证明了人工智能从常规病理切片中提取可解释、可临床转化特征的巨大潜力为开发AI辅助的标准化风险分层工具奠定了重要基础。参考文献Zhao Z, Chen D, Wang R, Zhang X, Wen X, Zheng X, Liu S, Chen H, Zhang Y, Huang D, Zheng C, Ma M, Xie D, Sun Y, He X, Cai M. Multiview deep-learning-enabled histopathology for prognostic and therapeutic stratification in stage II colorectal cancer: A retrospective multicenter study. PLoS Med. 2026 Jan 13;23(1):e1004614. doi: 10.1371/journal.pmed.1004614.