《Frontiers in Oncology》:Construction and exploratory validation of a digital pathology prognostic model for stage II–III colorectal cancer based on contrastive learning and attention mechanisms
编辑推荐:
摘要
引言:尽管TNM分期是结直肠癌(colorectal cancer, CRC)预后评估的标准框架,但同一分期患者的结局仍存在异质性。本研究旨在从全切片图像(whole-slide images, WSIs)中提取肿瘤组织特征,构建针对II–III期CR
摘要
引言:尽管TNM分期是结直肠癌(colorectal cancer, CRC)预后评估的标准框架,但同一分期患者的结局仍存在异质性。本研究旨在从全切片图像(whole-slide images, WSIs)中提取肿瘤组织特征,构建针对II–III期CRC的图像来源预后模型,并对其性能进行探索性评估。
方法:采用迁移学习组织分类器识别CRC WSI中的肿瘤区域。使用自监督对比学习提取肿瘤特征,并通过患者层面的K-Means聚类进行汇总。基于注意力的生存模型生成锁定的图像来源风险评分(Risk Score)。实际分析人群包括335例局部晚期CRC患者:318例记录为III期,17例为T4N0疾病(按AJCC第八版解剖分期为高危II期)。265例TCGA队列按8:2随机分为训练集和内部留出集;70例SAHSYU患者构成单中心探索性队列。判别能力通过患者层面bootstrap置信区间量化。进行了Cox回归、Kaplan–Meier分析、一年校准和探索性决策曲线分析。敏感性分析排除了所有N0患者,且未重新训练或改变锁定的风险评分。
结果:训练集C-index为0.704(95% bootstrap CI 0.637–0.768),内部留出集为0.663(0.544–0.776),SAHSYU队列为0.706(0.533–0.859)。按训练集一个标准差计,风险评分在内部与PFS相关(HR 1.688,95% CI 1.080–2.640;Wald p=0.022),在SAHSYU探索性分析中亦相关(HR 6.010,95% CI 1.170–30.877;p=0.032)。在排除所有N0记录且不重新训练的敏感性分析中,内部C-index仍为0.647,SAHSYU为0.705;固定阈值log-rank p值分别为0.014和0.027。
结论:图像来源的风险评分在II–III期CRC中显示出初步的PFS判别和风险分层潜力。这些发现需要在更大规模、更多事件、更长随访、正式校准和临床效用评估的多中心队列中验证,才能指导治疗决策。
基于自监督对比学习与注意力机制的II–III期结直肠癌数字病理预后模型:研究解读
**研究背景与目的**
结直肠癌(colorectal cancer, CRC)是全球最常见的恶性肿瘤之一。据美国癌症协会估计,2025年美国预计新增CRC病例154,270例,死亡52,900例,使其成为第三大常见癌症和第二大癌症相关死亡原因。肿瘤-淋巴结-转移(tumor-node-metastasis, TNM)分期系统是风险评估和预后评估的主要框架。根据欧洲肿瘤内科学会(ESMO)和美国国家综合癌症网络(NCCN)指南,III期结肠癌患者常根据辅助化疗疗程被分为较低风险(T1–3N1)或较高风险(T4和/或N2)。然而,即使分期和治疗相似,患者结局仍存在显著异质性,高危II期疾病的风险评估同样具有挑战性。TNM分期仅反映解剖范围,未能完全代表肿瘤生物学特征。分子检测虽可补充信息,但在某些环境中可能成本高昂或难以获取。因此,从常规病理切片中提取客观、可扩展的预后工具,有望补充局部晚期CRC中已有的临床病理评估。
数字病理学的发展使得苏木精-伊红(hematoxylin-and-eosin, H&E)染色的全切片图像(whole-slide images, WSIs)能够完全数字化。WSIs包含与预后相关的肿瘤结构、间质、免疫细胞富集区域、黏液、坏死等形态学信息。深度学习可从WSIs中提取高维表征,并已在结局建模中显示出潜力。既往CRC研究多采用迁移学习或监督模型构建预后生物标志物,但监督方法常需要昂贵的人工标注,且许多模型难以跨中心解释或迁移。对比学习是一种自监督策略,可在预训练阶段无需结局或区域标注即可学习判别性表征。注意力机制可动态分配输入特征的权重,在数字病理中用于自适应特征聚合。本研究评估了无标注特征学习、患者层面表型聚类、注意力加权生存建模和模型权重空间投影在局部晚期CRC流程中的特定整合方式。
本研究旨在构建一个探索性的数字病理预后框架,整合自监督对比学习、患者层面聚类和基于注意力的生存建模。从常规H&E WSI中提取的肿瘤特征用于生成风险评分(Risk Score),评估其初步的PFS判别和风险分层能力,并可视化空间加权的表型区域。
**主要技术方法**
研究人员使用了以下关键技术方法:
1. **组织分类器**:采用ImageNet预训练的VGG19网络进行迁移学习,构建九类组织分类器(脂肪、背景、碎片、淋巴细胞、黏液、平滑肌、正常结肠黏膜、癌相关间质、CRC肿瘤上皮)。该分类器在公开数据集NCT-CRC-HE-100K(约10万张224×224像素图块,来自86例CRC患者)上训练,在NCT-CRC-HE-7K(7,180张图块,来自25例患者)上验证,准确率达94.4%。随后应用于TCGA和SAHSYU的WSIs,保留被分类为肿瘤上皮(TUM)的图块。
2. **对比学习特征提取**:采用SimCLR风格的对比学习框架,以DenseNet121为骨干编码器,对肿瘤图块进行数据增强(随机旋转、平移、剪切、缩放、翻转等),生成正样本对,批次内其他图像作为负样本。输出128维肿瘤图块特征。
3. **患者层面K-Means聚类**:对每位患者的肿瘤图块特征分别进行K-Means聚类,候选簇数K=2–9,通过建模流程中的三折交叉验证平均C-index选择最佳K值,最终选择K=5(平均C-index为0.6449)。每个患者的图块被分配到5个表型簇,簇内特征聚合生成患者层面矩阵。
4. **基于注意力的生存网络**:5个128维簇表征输入两层注意力模块(64维隐藏层),Softmax归一化注意力权重聚合簇表征,经全连接网络生成风险评分。采用Cox偏对数似然损失优化,Adam优化器,学习率1×10??,dropout 0.5,batch size 16。
5. **统计与验证**:TCGA建模队列265例按8:2随机分为训练集(211例)和内部留出集(54例);SAHSYU 70例作为单中心探索性队列。使用Harrell's C-index评估判别能力,患者层面bootstrap重采样(2000次)计算95%置信区间。风险评分按训练集单位标准差标准化,Cox比例风险模型计算HR。训练集中位风险评分(0.002322592)作为预设截断值,保持不变应用于其他队列。Kaplan-Meier曲线及双侧log-rank检验比较高低风险组。敏感性分析排除所有N0患者,但不重新训练模型,保留原预测和截断值。
**研究结果**
**3.1 患者特征**:TCGA队列包含265例患者,100个PFS事件;SAHSYU队列70例患者,10个事件。TCGA中15例、SAHSYU中2例为T4N0(高危II期)。SAHSYU中位随访时间(reverse Kaplan-Meier)为325天。
**3.2 最优簇数确定与风险评分构建**:在K=2–9的三折评估中,K=5获得最高平均C-index(0.6449)。对每例患者的肿瘤特征进行K-Means聚类为5个表型簇,输入注意力生存模型生成患者层面风险评分。
**3.3 风险评分对PFS的预后评估**:训练集C-index为0.704(95% bootstrap CI 0.637–0.768),内部留出集为0.663(0.544–0.776),SAHSYU为0.706(0.533–0.859)。单因素Cox分析中,内部风险评分每增加一个训练集标准差,HR=1.688(95% CI 1.080–2.640;Wald p=0.022);SAHSYU探索性HR=6.010(95% CI 1.170–30.877;p=0.032)。内部探索性调整模型(包含风险评分、年龄、性别、T4、N2)中,风险评分HR=1.427(95% CI 0.867–2.350;p=0.162),未达到统计学显著性。使用训练集中位截断值划分高低风险组,Kaplan-Meier曲线显示初步的风险分层潜力。
**3.4 病理亚组中的风险评分**:探索性亚组分析(T1-3、T4、N1、N2)显示风险评分在不同亚组中均有分层趋势。敏感性分析排除所有N0记录后,训练、内部和SAHSYU队列分别包含202/74、48/18和68/10例患者/事件,C-index分别为0.705、0.647和0.705,固定阈值log-rank p值分别为<0.001、0.014和0.027,与原分析结果一致。
**3.5 聚类表型的可视化分析**:注意力权重量化了每个学习到的表型簇对患者模型输出的相对贡献。将簇标签和注意力权重投影到WSIs上生成空间热力图。两个具有不同PFS结局的示例患者(均为T3N1 TCGA病例)显示出不同的表型簇分布和注意力权重模式,说明模型能够定位影响输出的图像区域。
**3.6 探索性一年校准与决策曲线分析**:内部留出集中,按预测风险三分位数进行一年校准,最低风险组预测与观察接近(预测0.054 vs 观察0.059),但中间和最高组存在不一致且观察风险非单调。完全病例标志性决策曲线分析纳入47例可观察一年状态的患者,模型在阈值概率0.05–0.35区间内显示正净收益,0.40时接近零,高于0.40后转为负值。这些分析为探索性,因排除了一年前删失的患者。
**讨论与结论**
讨论部分指出,本研究整合了无标注表征学习、患者内表型聚类、注意力加权生存建模和空间归因,在II–III期CRC流程中进行了探索性验证。与监督迁移学习模型相比,对比预训练减少了对人工标注的依赖。该流程在注意力聚合前显式总结了患者内表型异质性。未来需要在同一队列中与仅TNM的Cox模型、ABMIL/CLAM、TransMIL以及病理基础模型特征进行基准比较。肿瘤异质性 contributes to CRC的预后变异,五个患者内簇用于总结形态多样性,注意力权重自适应聚合其表征,投影到WSI上提供空间模型归因。由于模型使用常规H&E切片,无需额外染色或分子检测,若在已建立的数字病理工作流程中实施,增量检测成本相对较低。可能的未来工作流程是:在常规病理审查后将锁定模型应用于质量控制的切除WSI,将所得评分与TNM分期及其他验证因素结合于多学科环境中,用于识别患者进行前瞻性风险分层试验或监测研究。
局限性包括:SAHSYU队列小、单中心、仅10个PFS事件,中位随访仅325天;内部调整模型未建立独立关联;仅评估了PFS,未验证OS;注意力图谱提供空间归因但未经生物学解释验证。需要更大规模、更长随访、充分事件数的多中心队列以及前瞻性效用评估。
结论部分:本研究开发了基于自监督学习和注意力机制的数字病理风险评分模型,用于II–III期结直肠癌无进展生存期的探索性评估。该模型显示出初步的判别能力和区分风险组的能力;然而,由于外部事件稀缺和随访时间相对较短等因素,需要进行具有足够随访时间的前瞻性、多中心验证研究,以及校准、基准测试和临床效用评估。