编辑推荐：
在乳腺癌诊疗中，术前预测腋窝淋巴结（ALN）转移极具挑战。研究人员开发多模态 AI 模型 METACANS，整合全切片图像（WSIs）与临床病理特征进行预测。该模型在多队列验证中表现良好，对乳腺癌术前分期意义重大。
在当今社会，乳腺癌已然成为严重威胁女性健康的 “头号杀手”。全球范围内，乳腺癌的发病率和死亡率居高不下，每 10 万人中就有 46.3 人发病，16.3 人死亡。腋窝淋巴结（Axillary Lymph Node，ALN）转移是乳腺癌发展过程中的关键事件，它意味着癌细胞可能顺着淋巴系统 “逃窜” 到身体其他部位，不仅增加了治疗的复杂性，还预示着患者预后较差。因此，尽早准确地预测 ALN 转移，对于制定精准的治疗方案、改善患者的生存状况至关重要。
传统上，ALN 转移的诊断主要依赖术后的腋窝淋巴结清扫术（Axillary Lymph Node Dissection，ALND），但这一方法属于有创操作，会给患者带来诸如淋巴水肿、慢性炎症等并发症，严重影响患者的生活质量。近年来，前哨淋巴结活检（Sentinel Lymph Node Biopsy，SLNB）虽在一定程度上减少了手术创伤，却存在手术时间长、有淋巴漏和感觉丧失风险，且无法充分利用原发肿瘤病理特征等问题。此外，超声、磁共振成像（MRI）等检查手段，也难以深入到细胞层面，为诊断提供更精准的信息。
在这样的背景下，来自韩国多所研究机构的研究人员决定向难题发起挑战。他们开展了一项旨在开发并验证基于原发肿瘤活检全切片图像（Whole Slide Images，WSIs）和临床病理特征的人工智能（Artificial Intelligence，AI）模型，以实现术前对 ALN 转移的精准预测。这项研究成果发表在《npj Precision Oncology》杂志上，为乳腺癌的诊疗开辟了新的方向。
研究人员为了实现这一目标，运用了多种关键技术方法。他们收集了来自 6 个独立乳腺癌队列的数据，这些数据来自韩国不同地区的医疗机构，包括 Sinchon Severance 医院、Keimyung 大学 Dongsan 医学中心等。在数据处理过程中，针对 WSIs 尺寸大、信息复杂的特点，采用了 Patch 生成技术，提取有价值的图像信息；运用 Macenko 方法进行染色归一化，减少染色差异对图像分析的影响；利用基于卷积神经网络（Convolutional Neural Networks，CNNs）和多尺度 Swin Transformer 的 CTransPath 模型进行特征提取；分别构建基于深度学习的 PathDL 模型和基于机器学习的 ClinicML 模型，最后将二者结合形成 METACANS 模型进行预测。
ALN 转移预测结果
研究人员提出的 METACANS 模型，整合了临床病理数据模型 ClinicML 和 WSI - 基于模型 PathDL。在内部验证队列中，METACANS 的受试者工作特征曲线下面积（Area Under the Curve，AUC）达到 0.743（95% 置信区间 [CI]：0.694 - 0.792） 。在 5 个外部验证队列 A - E 中，AUC 分别为 0.715（95% CI：0.683 - 0.747）、0.785（95% CI：0.742 - 0.828）、0.681（95% CI：0.612 - 0.751）、0.743（95% CI：0.672 - 0.814）和 0.801（95% CI：0.728 - 0.873）。综合外部验证数据集，METACANS 的 AUC 为 0.733（95% CI，0.711 - 0.755），显著优于 PathDL（AUC = 0.650 [95% CI，0.626 - 0.674]，p < 0.0001）和 ClinicML（AUC = 0.713 [95% CI，0.690 - 0.735]，p = 0.0030）。这表明 METACANS 模型在预测 ALN 转移方面具有较高的准确性。
深度学习模型可解释性分析
PathDL 模型运用基于注意力的多实例学习（Attention - based Multiple Instance Learning，ABMIL）方法，为 WSIs 中的图像块分配注意力值。研究人员发现，在 PathDL 正确识别为 ALN 转移阳性的病例中，与微乳头生长、浸润和坏死相关的区域得到了较高的注意力值，这些区域对模型的最终决策起到了重要作用。这意味着这些病理成像模式与 ALN 转移密切相关，即使没有明确的肿瘤区域注释，PathDL 也能识别出这些关键信息。
临床病理特征对模型性能的影响
ClinicML 模型利用患者的肿瘤大小、癌灶数量和年龄进行 ALN 转移预测。特征重要性分析显示，肿瘤大小是最具影响力的因素，其次是癌灶数量和患者年龄。研究人员还纳入了其他临床病理特征进行分析，如小管形成、核多形性、有丝分裂计数、组织学分级、雌激素受体（Estrogen Receptor，ER）、孕激素受体（Progesterone Receptor，PR）、人表皮生长因子受体 2（Human Epidermal Growth Factor Receptor 2，HER2）和 Ki - 67 标记指数（Labeling Index，LI [%]）等，但这些特征并未提高模型的性能。进一步分析发现，核分级、组织学分级、小管形成、核多形性、导管原位癌（Ductal Carcinoma In Situ，DCIS）、小叶原位癌（Lobular Carcinoma In Situ，LCIS）和肿瘤大小等因素与 ALN 转移显著相关，但部分因素对转移率的影响差异较小，如 ER、PR 和 HER2 状态，这表明它们在预测 ALN 转移方面的作用可能有限。
综合来看，研究人员开发的 METACANS 模型，在术前预测乳腺癌 ALN 转移方面展现出了巨大的潜力。它能够整合原发肿瘤活检 WSIs 的成像特征和临床病理特征，在多个独立验证队列中取得了不错的预测效果，有望帮助医生避免对部分患者进行不必要的 ALND，从而减少手术创伤和并发症，提高患者的生活质量。
然而，这项研究也存在一定的局限性。研究属于回顾性研究，尚未经过前瞻性验证；不同机构间的预测性能存在差异，这可能与区域因素、机构实践、成像设备和数据采集时间等有关，需要更先进的数据标准化方法和通用模型；PathDL 模型的性能相对较低，一定程度上限制了 METACANS 模型整体性能的提升。尽管如此，METACANS 模型为乳腺癌的精准诊疗提供了新的思路和方法，未来通过不断优化和改进，有望在临床实践中发挥更大的作用，为乳腺癌患者带来更多的福音。
