《Journal of Personalized Medicine》：Personalized Prediction of Postoperative Recurrence in Lung Squamous Cell Carcinoma: Integrating AI-Based Nuclear Morphometry and Clinical Data
Tomokazu Omori,
Akira Saito,
Yoshihisa Shimada,
Yujin Kudo,
Jun Matsubayashi,
Toshitaka Nagao,
Masahiko Kuroda and
Norihiko Ikeda
编辑推荐：
背景：本研究采用人工智能（AI）分析数字病理图像中提取的定量核形态特征，以预测肺鳞状细胞癌（LSQCC）患者术后复发情况。研究旨在通过将AI提取的形态学特征与临床信息整合，开发可依据个体肿瘤生物学特征实现“个体化术后管理”的预测模型。方法：共纳入253例接受手
背景：本研究采用人工智能（AI）分析数字病理图像中提取的定量核形态特征，以预测肺鳞状细胞癌（LSQCC）患者术后复发情况。研究旨在通过将AI提取的形态学特征与临床信息整合，开发可依据个体肿瘤生物学特征实现“个体化术后管理”的预测模型。方法：共纳入253例接受手术切除的LSQCC病例中的185例，随机分配136例至训练集，49例至测试集。从手动选择的感兴趣区域（ROI）提取核特征，构建AI预测模型。开发了三类复发预测模型：2年内复发、5年内复发及三分类模型（≤2年复发、3–5年复发、>5年无复发）。每类模型分别应用支持向量机（SVM）与随机森林（RF）算法，共得到6个预测模型。采用集成方法计算AI风险评分，并通过整合病理分期得到“总分风险评分”。结果：所有6个AI模型均表现出稳定的预测性能，受试者工作特征曲线下面积（AUC）为0.76–0.91。Kaplan–Meier生存分析显示，总分风险评分的风险分层精度最高（p<0.005），其风险组间区分度优于单独AI风险评分。结论：AI核形态分析与临床数据的整合为LSQCC个体化术后管理提供了客观且实用的工具。该方法可通过识别高早期复发风险患者，并根据个体需求量身定制术后治疗方案，实现精准的临床决策支持。
研究背景方面，非小细胞肺癌（NSCLC）占所有肺癌病例的大多数，其中鳞状细胞亚型占比20%–30%。尽管分子靶向治疗与免疫检查点抑制剂不断进步，针对肺鳞状细胞癌（LSQCC）的治疗选择仍十分有限，晚期及术后复发患者常面临显著治疗困境。此外，早期LSQCC预后较同期肺腺癌差，凸显早期术后复发的临床重要性。当前术后管理主要依赖病理分期，难以全面反映肿瘤生物学异质性，因此亟需更精准的工具以实现个体化风险评估。近年来，人工智能（AI）在数字病理中的应用显著提升了诊断效率与可重复性，基于定量核形态特征的肿瘤预后评估已在多种恶性肿瘤中验证有效，但在LSQCC中的研究尚不充分。为此，研究人员将已验证的AI形态测量方法应用于LSQCC，结合临床变量构建预测模型，以支持个体化术后管理。
关键技术方法方面，研究回顾性纳入2011年1月至2018年12月在东京医科大学接受手术切除的185例LSQCC患者，按复发时间与随访时长分层抽样，约75%病例进入训练集（n=136），其余为固定独立测试集（n=49）。数字病理图像由NanoZoomer-RS扫描仪以20×放大倍率采集，手动选取肿瘤巢区域ROI并排除非肿瘤成分，使用ilastik软件进行核提取，基于pix2pix模型完成核分割，CellProfiler软件量化核形态与染色质纹理特征，自建细胞特征级共生矩阵（CFLCM）计算ROI水平特征，最终采用支持向量机（SVM）与随机森林（RF）构建多时间点复发预测模型，并进行集成评分与生存分析。
研究结果方面，首先在患者特征与核形态特征部分，训练集与测试集临床病理特征无显著差异，共提取3994个ROI与3,179,990个癌细胞核，为模型构建提供充足数据基础。其次，在AI模型预测性能部分，六模型在独立测试集中AUC介于0.758–0.909之间，SVM与RF模型均稳定收敛，特征重要性分析显示SVM主要依赖核形状相关特征（如核取向异质性），RF则均衡利用形状与纹理特征（如核内纹理对比度）。第三，在六模型预测结果部分，AI风险评分与实际复发结局一致性良好，整合病理分期后的总分风险评分进一步提升分层精度。第四，在ROC分析结果部分，所有模型均具良好判别能力，AUC值支持其在不同复发时间窗的应用潜力。第五，在生存分析结果部分，总分风险模型的三组生存曲线区分度最优，Kaplan–Meier分析显示p<0.005，证实其在风险分层中的优势。
讨论与结论部分，研究人员指出，AI核形态分析与临床信息整合可有效预测LSQCC术后复发风险，多模型集成策略降低了单一模型偏差，提升了预测稳定性。核形态变化反映了基因组改变、转录调控及肿瘤微环境交互的综合表型，可作为传统病理分级的客观补充。该方法可直接应用于常规数字病理工作流程，无需额外采样或昂贵检测，有望指导高危患者的密切监测与辅助治疗决策。局限性包括单中心回顾性设计、样本量相对较小、ROI手动选择可能引入偏倚，以及队列性别分布不均衡。未来需在更大规模多中心外部验证中完善自动化ROI检测系统，并探索与实验室信息系统（LIS）的整合。研究结论明确，AI核形态计量学与临床数据整合为LSQCC术后复发预测提供了可靠且实用的个体化风险管理框架，具有重要的临床应用前景。该研究发表于《Journal of Personalized Medicine》。
