深度学习助力前列腺癌根治术标本分析：提升诊断精度，优化临床决策

《Scientific Reports》：Clinical implications of deep learning based image analysis of whole radical prostatectomy specimens

前列腺癌（PCa）诊断面临病理特征复杂和病理医生资源不足的挑战。研究人员开展基于深度学习的图像分析（DLIA）算法对前列腺癌根治术（RP）标本进行 Gleason 分级和肿瘤定量的研究。结果显示该算法可提高分级和定量准确性，有助于临床决策。

　　前列腺癌，作为全球范围内高发的恶性肿瘤之一，严重威胁着男性的健康。在前列腺癌的诊断过程中，传统的病理检查方法面临着诸多困境。一方面，前列腺癌的病理特征极为复杂，不同患者之间、甚至同一患者的不同肿瘤病灶之间都存在显著的异质性。另一方面，病理医生资源的短缺，使得诊断工作的压力剧增，不仅容易导致诊断时间延长，还可能因个体经验差异，出现诊断不一致的情况。比如，传统对前列腺癌根治术（RP）标本的检查既耗时又主观，不同病理医生对同一标本的 Gleason 评分（GS）可能存在差异，这无疑会影响后续的治疗决策和患者的预后评估。因此，寻找一种更高效、准确的诊断辅助方法迫在眉睫。

为了攻克这些难题，来自多个机构的研究人员展开了深入研究，其中包括 Deep Bio Inc.、Inje University Busan Paik Hospital 等。他们聚焦于基于深度学习的图像分析（DLIA）算法在前列腺癌诊断中的应用，致力于评估该算法对 RP 标本进行 Gleason 分级和肿瘤定量的临床可行性及预后价值。这项研究成果发表在《Scientific Reports》上，为前列腺癌的诊断和治疗带来了新的曙光。

在研究方法上，研究人员从临床病例中筛选出 1010 例接受 RP 手术且随访时间超过 12 个月的患者，最终纳入 992 例患者的数据进行分析。RP 标本由经验丰富的泌尿病理医生依据相关指南进行检查和分级。同时，利用 Aperio GT 450 DX 系统将 29646 张苏木精 - 伊红（H&E）染色的 RP 标本切片扫描成全切片图像（WSI），再通过 DeepDx Prostate - RP 软件进行分析，以获得病例级的国际泌尿病理学会（ISUP）分级组（GG）、标本体积、肿瘤体积（TV）和肿瘤体积百分比（PTV）等数据。

研究结果主要从以下几个方面展开：

1. 患者特征：992 例患者纳入分析，术后随访时间为 72.7（44.0 - 105.3）个月。患者诊断时年龄中位数为 67.0（63.0 - 72.0）岁，术前前列腺特异性抗原（PSA）水平中位数为 8.0（5.4 - 12.8）ng/mL。不同风险分层的患者比例不同，且生化复发（BCR）患者与未复发患者在 PSA、ISUP GG、病理 T 分期等方面存在显著差异1。
2. BPFS 持续时间与临床参数的相关性：在 348 例 BCR 患者中，随着无生化进展生存期（BPFS）延长，GG3 - 5 患者比例、病理医生测量的 TV（pTV）、PTV（pPTV）以及 DLIA 测量的 TV（aTV）、PTV（aPTV）均下降。BPFS 持续时间与 PSA、病理肿瘤分期、pGG、pTV、pPTV、aGG、aTV、aPTV 呈负相关2。
3. 病理医生和 DLIA 在 RP 标本 GG 评估中的比较：病理医生在部分患者中无法检测到残留肿瘤或无法分配 GG，而 DLIA 算法能对所有患者进行癌症识别和 GG 分配。在剩余 980 例病例中，pGG 和 aGG 有一定一致性，且两者在预测 BCR 方面无显著差异3。
4. 病理医生和 DLIA 在 RP 标本 TV 测量中的比较：标本重量、pPTV、pTV 与 DLIA 测量的对应指标有强相关性。DLIA - 基于的肿瘤定量在预测 BCR 方面表现更优，aTV、aPTV 的 c - 指数分别为 0.657 和 0.672，高于 pTV 和 pPTV 的 0.622 和 0.64145。
5. CAPRA - S 评分与扩展模型的一致性和性能：使用 pGG 的 CAPRA - S 评分（pCS）与使用 aGG 的评分（aCS）一致性较高。扩展 CAPRA - S 评分中，纳入 aPTV 可增强预后性能，而纳入 pPTV 效果不佳6。

研究结论表明，DLIA 算法在 Gleason 分级和肿瘤定量方面具有一定优势，其分级结果与病理报告有较好一致性，在预测 BPFS 方面与病理评估相当，且算法测量的 TV 和 PTV 对 BPFS 的预测能力更强。在讨论部分，研究人员指出，该研究与以往聚焦单张代表性切片的研究不同，其基于整个 RP 标本的多张切片进行病例级分析，考虑了前列腺癌的多灶性，更全面地评估了肿瘤情况。DLIA 算法有望成为可靠的辅助诊断工具，尤其是在病理医生资源短缺的情况下，可提高诊断效率，减少观察者间差异。不过，研究也存在一些局限性，如数据收集期间诊断标准变化、未进行中央病理复查、仅关注部分病理参数等。未来还需进一步研究以评估该算法在实际临床环境中的效率和准确性。总体而言，这项研究为前列腺癌的病理分析和临床决策提供了新的思路和方法，具有重要的临床意义，有望推动前列腺癌诊疗技术的进一步发展。