深度学习驱动的多光子显微镜预测结直肠癌复发：基于常规FFPE样本的创新研究

《npj Digital Medicine》：Deep learning-enabled multiphoton microscopy predicts colorectal cancer recurrence from routine FFPE specimens

本刊推荐：为解决结直肠癌根治性切除术后复发风险分层难题，研究团队开发了MPMRecNet深度学习模型。该模型通过多光子显微镜（MPM）对1071例患者的常规石蜡包埋（FFPE）组织进行双模态（TPEF/SHG）成像分析，在外部验证中ROC-AUC达0.849，多变量分析显示其成为最强独立预测因子（OR=5.66, p<0.001）。该技术为无标记、非破坏性的复发预测提供了新范式，有望指导个体化术后治疗决策。

　　

在当今精准医疗时代，结直肠癌作为全球发病率第三、死亡率第二的恶性肿瘤，其术后复发仍是临床面临的重大挑战。尽管根治性切除术不断进步，但仍有6%-39%的Ⅰ-Ⅲ期患者会在术后出现复发，成为长期生存的主要障碍。目前临床依赖的TNM分期、淋巴结转移等传统指标，往往难以捕捉患者间的异质性，导致相当部分高风险患者无法被及时识别。

传统的病理学评估主要基于HE染色和免疫组化（IHC），但这些方法存在实验室间变异、信号衰减等局限性，更重要的是它们只能间接反映肿瘤微环境特征，无法直接捕捉胶原结构等关键生物物理信息。而肿瘤微环境中的胶原架构与交联程度已被证实与肿瘤侵袭性密切相关，这正是多光子显微镜（MPP）技术的用武之地。

近日发表在《npj Digital Medicine》的研究中，研究人员开发了一种名为MPMRecNet的创新深度学习框架，通过结合双模态多光子显微镜技术，为结直肠癌复发预测提供了全新解决方案。该研究纳来自两家医院的1071例Ⅰ-Ⅲ期结直肠癌患者，利用多光子显微镜对常规FFPE样本进行无标记成像，同时获取双光子激发荧光（TPEF）和二次谐波产生（SHG）信号，分别揭示细胞形态和胶原微结构。

关键技术方法包括：基于MaxViT的双模态编码器设计、交叉注意力融合机制、焦点损失函数优化策略。研究团队采用三阶段渐进式解冻训练策略，在834例内部训练队列和237例外部验证队列上进行了严格评估。

数据集构成与模型架构

研究纳入的1071例患者被分为训练队列（834例）和外部验证队列（237例），两组基线特征无显著差异。MPMRecNet采用双流设计，包含模态特异性MaxViT编码器、基于注意力的池化层、跨模态注意力融合模块和分类头。

训练策略与交叉验证性能

通过分层10折交叉验证，模型在内部队列中ROC-AUC达0.662-0.904，宏观F1分数0.710。在锁定外部验证集上，模型表现出稳定的泛化能力，ROC-AUC介于0.802-0.845之间，准确率75.2%。

最终模型评估

在完整外部验证中，MPMRecNet的ROC-AUC达到0.849，显著优于基于传统SHG胶原特征的方法（0.744-0.763）。注意力热图显示TPEF关注肿瘤-间质界面，SHG聚焦胶原微结构，体现了双模态的生物学互补性。

模态贡献与消融研究

注意力权重分析显示正确预测更依赖SHG特征（72.3%），消融实验证实SHG单独模型（ROC-AUC=0.744）优于TPEF单独模型（ROC-AUC=0.541），双模态融合产生协同效应。UMAP可视化显示双模态特征具有更好的类别分离度。

临床整合与效用评估

单变量分析显示MPMRecNet评分是最强预测因子（OR=5.691）。多变量分析中其保持主导地位（OR=5.660）。结合临床变量构建的列线图在外部验证中ROC-AUC提升至0.872，决策曲线分析显示在全阈值范围内具有更高临床净获益。

该研究的创新之处在于首次将端到端深度学习应用于双模态MPM成像，直接从未染色组织中提取预后特征。MPMRecNet不仅超越了传统临床预测指标，更重要的是它捕获了胶原结构等以往难以量化的肿瘤微环境关键信息。研究者坦承当前可解释性分析尚属定性阶段，未来计划通过病理学家标注进行定量验证，并扩大多中心研究以评估模型鲁棒性。

这项研究标志着数字病理学向无标记、多模态方向的重大迈进，为结直肠癌术后管理提供了切实可用的决策工具。通过深度融合先进成像技术与人工智能，MPMRecNet有望重塑肿瘤复发风险评估范式，推动精准医疗在临床实践中的落地应用。