基于机器学习的子宫内膜癌病理组学诺莫图预后预测模型的开发与验证

《Hormones & Cancer》：Development and validation of a machine learning-based pathomics nomogram for prognostic prediction in endometrial cancer

本研究针对子宫内膜癌(EC)预后评估中分子检测成本高、技术复杂的问题，开发了一种基于H&E染色全切片图像(WSIs)的病理组学诺莫图。研究人员通过LASSO回归从728个特征中筛选出7个关键病理组学特征构建风险评分，并整合FIGO分期、分子分型等临床参数。验证结果显示该模型对3年生存率的预测AUC达0.806，显著提升了EC患者的风险分层能力，为临床提供了一种低成本、可扩展的预后评估工具。

　　

子宫内膜癌(Endometrial Cancer, EC)作为发达国家最常见的妇科恶性肿瘤，全球发病率持续攀升，其分子异质性给临床预后评估带来巨大挑战。虽然早期EC患者五年生存率可达95%，但晚期患者这一数字骤降至16-45%，凸显精准预后工具的迫切需求。当前FIGO分期和分子分型虽能提供一定指导，却受限于检测成本和技术门槛，难以普及应用。

为解决这一临床困境，韩先华与邱俊宇团队创新性地将目光投向常规病理切片中蕴藏的丰富信息。发表于《Discover Oncology》的研究，首次系统开发并验证了基于机器学习的病理组图模型，为EC预后预测开辟了新途径。

研究人员利用TCGA-UCEC队列的514例患者H&E染色全切片图像(WSIs)，通过专业病理医师手动标注肿瘤区域，采用CellProfiler软件提取728个高维定量特征。经过严谨的LASSO回归筛选，最终确定7个最具预测价值的病理组学特征构建风险评分体系。该模型在训练集和验证集中均表现出色，3年生存预测AUC分别达到0.806和0.782，显著优于传统指标。

关键技术方法包括：从TCGA-UCEC数据库获取514例EC患者的WSIs和临床数据；使用CellProfiler提取728维病理组学特征；通过LASSO回归进行特征筛选；构建包含病理组学评分和临床参数的诺莫图；采用时间依赖性ROC曲线和Kaplan-Meier生存分析进行模型验证。

患者特征与基线分析

研究纳入的514例患者按2:1随机分为训练集(343例)和验证集(171例)，两组在年龄、FIGO分期、分子分型等基线特征上无显著差异，保证了模型验证的可靠性。值得注意的是，该验证属于TCGA-UCEC队列的内部验证，虽为模型性能提供了初步证据，但未来仍需多中心外部数据进一步验证。

病理组学风险评分的建立与验证

通过LASSO回归筛选出的7个特征涵盖图像质量、细胞形态和强度分布等多个维度。风险评分公式为：Risk Score = 0.8970×ImageQuality_PowerLogLogSlope_OrigGray - 0.0073×Mean_IdentifyPrimaryObjects_RadialDistribution_ZernikePhase_OrigGray_5_3 - 2.1563×Mean_IdentifyPrimaryObjects_AreaShape_Zernike_8_2 + 10.8696×ExecutionTime_09Threshold + 0.7906×StDev_IdentifyPrimaryObjects_Intensity_MaxIntensity_OrigGray + 0.0437×Granularity_14_OrigGray + 0.2163×Median_IdentifyPrimaryObjects_Intensity_IntegratedIntensity_OrigGray。

该评分系统在训练集中对1、3、5年生存率的预测AUC分别为0.765、0.774、0.783，且低风险组患者生存时间显著优于高风险组(p=4.47×10^-7)。在验证集和整个队列中，模型同样展现出稳定的预测性能，证实其良好的泛化能力。

诺莫图的构建与评估

多因素Cox回归显示FIGO分期、肿瘤分级、TCGA分子分型和病理组学评分均为独立预后因素。基于此构建的诺莫图在训练集中对1、3、5年生存率的预测AUC分别达到0.795、0.828、0.859，校准曲线显示预测值与观测值高度吻合。

诺莫图的验证

在验证集中，该诺莫图继续保持优异性能，1、3、5年生存预测AUC分别为0.804、0.846、0.873。整个队列的分析结果进一步证实其可靠性，按诺莫图评分分层的低、中、高风险组生存曲线呈现显著梯度差异。

本研究成功开发并验证了首个整合病理组学特征与临床参数的EC预后预测诺莫图。该模型通过挖掘常规H&E切片中的深层信息，突破了分子检测的技术壁垒，为临床医师提供了一种易于推广的决策工具。特别是在术前诊断阶段，该模型有助于识别高危患者，指导个体化手术方案和辅助治疗选择。

尽管研究存在回顾性设计和缺乏外部验证等局限，但其创新性地将计算病理学应用于EC预后评估，为精准医疗提供了新思路。未来通过多中心前瞻性研究验证后，这一工具有望成为EC标准诊疗流程的重要补充，最终改善患者预后。