《Nature Communications》：A deep learning–based digital biopsy for predicting early recurrence in gastric cancer
编辑推荐：
为解决当前分期方法对局部晚期胃癌(LAGC)患者早期术后复发风险预测能力不足的问题，研究人员开展了一项基于人工智能的多模态预测模型研究。他们开发了整合数字病理与临床数据的模型(RSA)，在多个队列中验证了其优异的预测性能(AUC 0.843-0.887)，揭示了免疫微环境特征与复发风险的关联，为个体化治疗提供了新工具。
胃癌是全球范围内发病率和死亡率均居前列的恶性肿瘤之一。尽管外科手术和辅助治疗取得了显著进步，局部晚期胃癌(Locally Advanced Gastric Cancer, LAGC)患者的治疗结局依然严峻，其中早期术后复发是导致治疗失败的主要原因。然而，当前的肿瘤-淋巴结-转移(TNM)分期系统主要基于解剖学信息，难以捕捉驱动肿瘤复发潜能的深层生物学异质性。这导致临床医生在判断哪些患者属于复发高风险群体、需要更密集的术后监测或更积极的辅助治疗时，面临依据不足的困境。因此，迫切需要一种能够更精准、更个体化地评估复发风险的工具，这不仅能优化临床决策，也可能为理解复发机制提供新的生物学视角。
为了应对这一挑战，一项发表在《Nature Communications》上的研究迈出了重要一步。研究人员的目标是开发一个能够整合多源信息、性能稳健且具有临床可解释性的人工智能模型，用以预测LAGC患者的早期复发风险，并深入探究模型预测背后的生物学基础。
为开展此项研究，作者团队运用了多项关键技术。研究基于一个大型回顾性多中心队列(n=1,763)进行模型开发，并利用两个内部队列、两个地理分布不同的外部队列以及一项前瞻性临床试验(NCT01516944)的探索性事后分析数据进行严格验证，保证了结果的可靠性。核心技术方法包括：1. 基于深度学习(Deep Learning)的数字病理分析，从常规的苏木精-伊红(Hematoxylin and Eosin, H&E)染色切片中自动提取高维组织病理学特征；2. 构建多模态预测模型，将上述数字病理特征与传统临床变量融合，建立了名为“复发分层与评估”(Recurrence Stratification and Assessment, RSA)的模型；3. 采用沙普利加和解释(Shapley Additive Explanations, SHAP)方法对模型预测进行可视化解释，识别关键的组织学特征；4. 对部分肿瘤样本进行转录组测序(Transcriptomic Sequencing)和免疫谱分析(Immune Profiling)，以探索模型风险分层背后的生物学机制，特别是肿瘤免疫微环境的状态。
模型开发与性能验证
研究人员首先利用大规模回顾性队列开发了RSA模型。该模型通过深度学习网络分析H&E切片，捕捉了人眼难以识别的细微形态学模式，并将其与患者年龄、TNM分期等临床信息相结合。在内部验证中，RSA模型展现出了优异的区分能力，其受试者工作特征曲线下面积(Area Under the Curve, AUC)值显著高于仅使用临床变量的基准模型。更重要的是，在来自不同地域、不同医疗机构的外部验证队列中，RSA模型保持了高度一致且稳健的预测性能，AUC值在0.843至0.887之间波动，证明了其强大的泛化能力。这一结果表明，基于数字病理的人工智能模型能够超越传统方法，提供更精准、更普适的复发风险评估。
模型的可解释性分析
为了增强模型的临床可接受度和实用性，研究团队采用了SHAP框架来解释RSA模型的决策依据。分析揭示了若干对预测复发风险贡献最大的组织病理学特征，例如特定的肿瘤细胞排列方式、间质反应模式等。这种“白盒化”的解释不仅让医生理解模型为何将某位患者判定为高风险，也将抽象的深度学习特征与具体的、可理解的病理形态关联起来，为病理医生提供了新的观察维度，有望辅助其进行更精细的诊断。
风险分层背后的生物学机制探索
预测模型的价值不仅在于其准确性，还在于能否揭示新的生物学知识。为了探究RSA模型划分的高风险与低风险患者在生物学本质上有何不同，研究人员对一部分样本进行了多组学分析。转录组测序和免疫细胞浸润分析带来了关键发现：被RSA模型判定为低复发风险的患者，其肿瘤微环境呈现出“免疫富集”的特征，即具有更高水平的淋巴细胞浸润和更活跃的免疫相关信号通路活性。更引人注目的是，这些低风险肿瘤中，多种免疫检查点基因(如PD-1, PD-L1, CTLA-4等)的表达水平显著升高。这些发现暗示，活跃的肿瘤免疫微环境，即使其中存在免疫抑制性检查点的上调，也可能与抑制肿瘤早期复发、控制微小残留病灶有关。相比之下，高风险肿瘤则表现出“免疫荒凉”或功能失调的状态。这为理解复发机制提供了一个全新的免疫学视角。
在前瞻性临床试验队列中的探索性验证
作为模型泛化能力的终极试金石，研究团队在一个已完成的前瞻性临床试验(NCT01516944)的样本上进行了事后分析。即使在这个独立设计、严格控制的试验人群中，RSA模型依然成功地对患者的无复发生存期进行了有效分层。这一结果极具说服力，表明该模型具备应用于未来前瞻性临床研究设计的潜力，例如用于筛选可能从强化辅助治疗或新辅助治疗中获益的高风险患者。
综上所述，这项研究构建并广泛验证了一个名为RSA的多模态人工智能预测模型，该模型能够高精度地预测局部晚期胃癌患者的早期术后复发风险，其性能超越传统临床指标且具有出色的泛化性。通过可解释人工智能技术，研究揭示了与复发相关的关键组织学特征。更重要的是，通过深入的生物学机制探索，研究发现RSA模型定义的低风险群体具有免疫富集的肿瘤微环境和更高的免疫检查点表达，提示活跃的局部免疫反应可能与抑制早期复发相关，而这可能与当前基于免疫检查点抑制剂(Immune Checkpoint Inhibitors, ICIs)的治疗策略产生有趣的关联。这项研究的结论具有双重重要意义：在临床转化层面，RSA模型作为一个高性能、可解释的工具，为实现胃癌术后风险自适应管理提供了新路径，有望指导个体化的监测和辅助治疗策略；在科学研究层面，它建立了一个连接数字病理表型、临床结局与肿瘤免疫微环境的生物学框架，不仅增进了对胃癌复发机制的理解，也为未来探索免疫治疗在胃癌辅助治疗中的潜在效用提供了新的生物标志物和理论依据。
