利用 TLS-PAT 人工智能工具实现结直肠癌中三级淋巴结构的自动分类

《Scientific Reports》：Automated classification of tertiary lymphoid structures in colorectal cancer using TLS-PAT artificial intelligence tool

研究人员为解决 TLS 评估难题，开展结直肠癌 TLS 自动分类研究，TLS-PAT 工具准确性高，意义重大

　　## 结直肠癌中三级淋巴结构自动分类研究：TLS-PAT 工具的突破与展望
在癌症的世界里，结直肠癌（Colorectal cancer，CRC）是一个不容忽视的 “狠角色”。它是全球第三大常见癌症，也是第二致命的癌症。免疫系统在结直肠癌的发展进程和预后中有着极为重要的作用，其中三级淋巴结构（Tertiary lymphoid structures，TLS）更是扮演着关键角色。

TLS 就像是肿瘤微环境（Tumor microenvironment，TME）中的 “免疫工厂”，它从简单的细胞聚合体逐渐发育成熟，拥有生发中心（germinal centers，GC）。成熟的 GC-TLS 与患者更好的临床结局以及可能更佳的免疫治疗反应相关联 ，这意味着准确识别和评估 TLS 的成熟阶段，对于预测患者病情发展、制定个性化治疗方案至关重要。

然而，目前 TLS 评估面临着诸多挑战。一方面，不同研究中对 TLS 的组织学定义存在差异，使得不同研究之间难以进行有效的比较；另一方面，传统的染色方法，如苏木精 - 伊红（Hematoxylin-eosin，HE）染色，对成熟 TLS 的敏感性较差，难以准确评估 TLS 的成熟状态。在这样的背景下，为了攻克这些难题，来自法国布雷斯特大学医院（CHU Brest）等机构的研究人员展开了一项关于结直肠癌中 TLS 自动分类的研究。

研究人员开发了一种名为 TLS-PAT 的人工智能工具，相关研究成果发表在《Scientific Reports》上。

研究人员开展这项研究时，运用了多种关键技术方法。首先，从法国布雷斯特大学医院病理科获取了 656 例结直肠癌患者的组织样本，并挑选合适的福尔马林固定石蜡包埋（FFPE）样本进行处理。接着，对样本进行双重免疫组化（Immunohistochemistry，IHC）染色，使用针对 CD21 和 CD23 的抗体，以便区分 TLS 的成熟阶段。然后，利用 3DHistech Panoramic Midi 幻灯片扫描仪对染色后的幻灯片进行数字化扫描，再通过 QuPath 软件进行标注和定量图像分析。此外，研究中使用了 ResNet50 和 Vision Transformer（ViT）等模型进行实验，整个训练框架基于 PyTorch 库搭建。

研究结果如下：

1. 注释方法学

为了确保评估 TLS 成熟度注释的可重复性，研究人员让三位不同的评估者（M.G、P.L.N、M.L.R）使用包含 9 个典型病例的数据集进行独立训练。之后，通过 60 个随机的结直肠癌腺癌样本评估评估者之间的一致性，结果显示该方法具有良好的可重复性和可靠性（Cohen's kappa 值 > 0.8）。接着，由一位评估者使用 QuPath 软件对整个数据集进行注释，该数据集包含 656 名患者的 6353 个 TLS，共提取了 100,245 个图块（tile）。这些图块被分为训练集、验证集和测试集，用于后续模型训练和评估。

2. 交叉验证

研究人员采用 5 折交叉验证评估模型性能，比较 Resnet50 和 ViT large 两种模型架构。结果发现，Resnet50 模型在 5 折交叉验证中的准确率范围是 0.59 - 0.81，ViT large 模型的准确率范围是 0.60 - 0.81，两者均在第 5 折达到最高准确率 0.81，因此选择第 5 折数据进行进一步分析。

3. 聚合方法

研究人员评估了多种聚合方法，发现多数投票（Majority Voting）、平均类别（Average Class）等方法虽有一定准确率（0.55 - 0.81），但不完全适合研究的生物学背景。自定义聚合方法（Custom Aggregation Method）和最大置信度（Max Confidence）方法是重点研究对象。通过比较不同模型在不同聚合方法下的表现，发现 ViT large 模型在使用最大置信度方法且在 ImageNet 上预训练时，整体表现出色，尤其在区分聚合体（Aggregate）和 GC-TLS 方面表现突出。

4. 模型架构

比较 ResNet50 和 ViT large 两种模型架构，以及不同预训练方法的效果。结果表明，ResNet50 模型在 ImageNet 上预训练并使用最大置信度方法时，准确率为 0.836，kappa 值为 0.747；ViT large 模型在 ImageNet 上预训练并使用最大置信度方法时，准确率达到 0.845，kappa 值为 0.761，性能优于 ResNet50。而 ViT large 模型在 UNI 上预训练时表现较差。

5. 数据可视化

通过生成彩色图块来可视化模型对测试集的分类结果。结果显示，ResNet50 - ImageNet 模型存在一些误分类，尤其是在 GC 和聚合体区域之间；ViT large 模型在 ImageNet 上预训练后，准确率更高，误分类较少；ViT 模型在 UNI 上预训练时性能较低，误分类明显。

研究结论与讨论部分表明，TLS-PAT 工具在结直肠癌 TLS 成熟阶段的分类中展现出高准确性和稳健性。该工具不仅简化了 TLS 评估的繁琐过程，还为统一 TLS 评估提供了可能。其准确率（0.851）和 Cohen’s kappa 值（0.7961）证明了它在区分 TLS 成熟阶段方面的可靠性，对临床预后判断和治疗决策具有重要意义。不过，研究也存在一定局限性，如数据来自单一中心，需要外部数据集进一步验证；数据存在不平衡问题，未来可通过数据增强等方式改进。但总体而言，这项研究为结直肠癌 TLS 的自动化分析带来了重要进展，随着进一步验证和扩展，有望在临床实践中发挥关键作用。