编辑推荐：
现有预后模型评估肺腺癌患者预后存在局限。研究人员开发基于组织病理图像的深度学习模型预测患者复发风险。该模型能分层预后，结合 TNM 分期可筛选辅助化疗获益患者，为肺腺癌精准治疗提供重要依据。
在医学领域，肺腺癌是一种常见且严重威胁人类健康的疾病。对于肺腺癌患者而言，准确预估预后并选择合适的治疗方案至关重要。然而，现有的预后评估模型却存在不少问题。像国际肺癌研究协会（IASLC）提出的分级系统以及 TNM 分期系统，虽然在一定程度上能对患者进行分层，但仍有不足。一些病理因素，如脏层胸膜侵犯（VPI）、气腔内播散（STAS）和淋巴管血管侵犯（LVI）等，虽与患者预后相关，但对不同分期肿瘤患者的影响还需进一步探究。而且，即便处于同一 TNM 分期的患者，预后也可能存在差异。这就意味着，当前的精准风险分层还有很大的提升空间，迫切需要新的方法来改善患者管理和疾病预后。
在此背景下，同济大学附属上海市肺科医院等多家机构的研究人员展开了深入研究。他们致力于开发一种基于全切片图像（WSI）的深度学习模型，希望以此预测肺腺癌患者的复发风险，并评估其在不同患者群体中的应用价值。这项研究成果发表在《npj Digital Medicine》上，为肺腺癌的诊疗带来了新的希望。
研究人员在此次研究中运用了多种关键技术方法。他们从 1705 例手术切除的肺腺癌患者中获取 3712 份福尔马林固定石蜡包埋（FFPE）的肿瘤组织切片，构建了包含训练集和两个验证集的样本队列。利用深度学习技术，开发了基于图注意力的多实例神经网络（GAMINN）。通过数据预处理、组织分割、特征压缩、WSI 图构建等步骤处理图像数据，结合图卷积神经网络和自注意力机制挖掘图像特征，进而预测患者的无病生存期（DFS）。
下面来看具体的研究结果：
- 患者特征分析：研究人员利用构建的模型为两个验证集中的每位患者计算 WSI 评分，并依据评分中位数将患者分为低风险组和高风险组。在验证队列 1 中，高风险组患者的 STAS、IASLC III 级肿瘤、接受辅助化疗的比例更高，VPI、LVI、TNM III 期肿瘤的比例也相对较高；验证队列 2 中，高风险组患者在这些方面同样呈现较高比例，但部分差异无统计学意义。这表明高风险组患者可能具有更具侵袭性的病理特征。
- DFS 生存分析：在两个验证队列中，该模型都成功地根据预后将患者分为高风险组和低风险组。在验证队列 1 中，高风险组患者的疾病复发风险是低风险组的 1.95 倍（95% 置信区间 1.46 - 2.62，p<0.001） ；验证队列 2 中也得到了类似结果。这说明模型在预测患者预后方面具有一定的有效性。
- WSI 评分的预后价值增量：单变量分析显示，患者预后与多种病理因素及 WSI 评分密切相关。多变量 Cox 分析表明，纳入 WSI 评分后，IASLC 分级、TNM 分期和构建的模型都是 DFS 的独立预测因素。虽然 WSI 评分在预测 DFS 方面，C 指数和 3 年、5 年 AUC 值未优于部分病理因素，但当它与 IASLC 分级、TNM 分期结合时，预测性能显著提升。在验证队列 1 中，三者结合的 C 指数达到 0.753，优于任意两个变量的组合；验证队列 2 中，三者结合的 C 指数为 0.811 ，同样优于其他组合。这充分体现了该模型作为现有临床模型补充的价值。
- WSI 评分优化辅助化疗患者选择：研究发现，单独依据 TNM 分期，IB 期、II 期和 III 期患者从辅助化疗中获益并不显著。但结合构建的模型分析后发现，高风险组的 III 期患者从辅助化疗中获得了生存优势（p = 0.030） ，II 期患者也有潜在的生存优势（p = 0.077），而低风险组患者则未观察到明显生存获益。这表明模型有助于筛选出更可能从辅助化疗中获益的患者群体。
- 深度学习模型的解读：通过热图可视化，研究人员发现 IA 期肿瘤患者 “高风险” 区域存在微乳头成分，III 期肿瘤患者 “低风险” 区域具有腺泡样结构伴三级淋巴结构。基因表达分析显示，高风险组患者与肿瘤代谢和增殖相关的通路有关，且免疫细胞浸润水平较低。这揭示了模型预测能力的潜在病理机制和生物学基础。
综合研究结论和讨论部分来看，该研究构建的基于 WSI 的深度学习模型，无需病理学家标注，就能有效预测肺腺癌患者的复发风险，为现有预后模型提供了重要补充。模型划分的高、低风险组有助于指导临床辅助治疗策略的制定，尤其在筛选辅助化疗获益患者方面具有重要意义。虽然研究存在一定局限性，如回顾性研究的性质可能影响结果的普遍性，模型预测预后的能力还有提升空间，但总体而言，这项研究为肺腺癌的精准医疗开辟了新的方向，有望在未来进一步改善患者的治疗效果和生存质量。
