基于肿瘤相关胶原特征的核特征对乳腺癌预后的预测价值

《npj Breast Cancer》：Prognostic value of nuclear features based on tumor-associated collagen signatures in breast cancer

本研究针对乳腺癌预后评估中肿瘤异质性带来的挑战，创新性地从肿瘤相关胶原特征（TACS）区域提取并量化了基于细胞核的微观特征（TCMF2）。研究人员通过多光子显微镜定位TACS，利用Hover-Net算法在H&E图像中分割和分类细胞核，采用LASSO回归构建TCMF2评分模型。结果显示TCMF2是独立预后因素，与TACS和胶原微观特征（TCMF1）联合使用时（TACS+TCMF1+TCMF2），患者分层准确性显著优于临床模型（AUC达0.926），尤其在早期乳腺癌中改善显著。该研究为精准医疗提供了新的低成本形态学评估方案。

　　

乳腺癌作为全球女性最常见的恶性肿瘤，其高度异质性给临床预后评估带来了巨大挑战。传统的预后判断方法如临床分期和分子分型虽能满足大多数患者的需求，但对于处于中间地带的患者，过度治疗或治疗不足的情况仍普遍存在。肿瘤微环境（TME）尤其是细胞外基质（ECM）中的胶原纤维，已被证实对乳腺癌进展具有深远影响。当肿瘤细胞浸润至间质时，会导致胶原纤维的降解、重沉积、交联和硬化等形态学改变，这些变化被称为肿瘤相关胶原特征（TACS）。

多光子显微镜（MPM）技术的出现使研究人员能够在三维空间观察胶原的形态变化。此前研究已识别出八种TACS模式（TACS1-8），其中TACS5、6、8与不良预后相关，而TACS4、7与良好预后相关。在此基础上，研究人员进一步提取了胶原纤维的微观特征（TCMF1），发现其能有效识别低风险患者。然而，肿瘤进展过程中伴随的核特征变化，包括核形状、大小和排列的改变，也被证明是癌症预后的有用标志物。这就引出了一个关键问题：围绕TACS区域的核特征是否能提供额外的预后信息，从而改善现有的预测模型？

为解决这一问题，Zhijun Li等人在《npj Breast Cancer》上发表了题为"Prognostic value of nuclear features based on tumor-associated collagen signatures in breast cancer"的研究。该研究创新性地从TACS区域提取并量化了基于细胞核的微观特征（TCMF2），探讨了其在乳腺癌预后预测中的价值。

研究团队采用了多中心回顾性队列设计，纳来自福建医科大学附属协和医院（训练队列355例，内部验证队列334例）和哈尔滨医科大学附属肿瘤医院（外部验证队列252例）的941例浸润性乳腺癌患者。所有患者均经病理确诊且未接受新辅助治疗。关键技术方法包括：使用多光子显微镜（MPM）定位TACS区域；通过Hover-Net深度学习算法在H&E图像中进行细胞核的分割和分类；提取179个TCMF2特征（26个形态学特征和153个空间分布特征）；采用LASSO Cox回归模型筛选预后相关特征并构建TCMF2评分；通过受试者工作特征（ROC）曲线和决策曲线分析（DCA）评估模型性能。

识别TACS基于核特征并构建预后模型

研究人员首先从941例乳腺癌患者的H&E图像中提取了179个TCMF2候选特征。通过LASSO回归分析，在训练队列中筛选出17个与无病生存期（DFS）显著相关的稳健特征。这些特征包括连接细胞的形态学特征以及所有细胞（肿瘤细胞和连接细胞）的空间分布特征。多变量分析显示，TCMF2-19和TCMF2-167是DFS的危险因素，而TCMF2-18、TCMF2-22、TCMF2-62、TCMF2-112和TCMF2-165是保护因素。研究人员将这17个特征加权整合，构建了TCMF2评分系统。

TCMF2评分是乳腺癌的稳健预后工具

根据训练队列确定的截断值，患者被分为低风险和高风险组。结果显示，低风险组的复发率和风险系数显著低于高风险组。在训练、内部验证和外部验证三个队列中，高风险组的中位DFS分别为51.0、63.0和59.0个月，而低风险组分别为77.0、76.0和80.0个月。5年DFS分析进一步证实，高风险组的生存率显著低于低风险组。单变量和多变量Cox回归分析均表明，TCMF2评分是独立的预后因素。

TCMF2评分提高TACS的预测性能

当TCMF2与TACS和TCMF1结合时，TACS+TCMF1+TCMF2模型在三个队列中的曲线下面积（AUC）均优于单独的临床模型（CLI）、TACS+TCMF1模型或TCMF2模型。特别是在早期乳腺癌患者（肿瘤大小≤2cm、淋巴结阴性、I期）中，预测能力的改善更为显著。TACS+TCMF1+TCMF2模型的预测准确率从TACS+TCMF1模型的78.9%提高到82%。当与临床模型结合形成完整模型（CLI+TACS+TCMF1+TCMF2）时，获得了最佳的预后性能。

临床应用

研究还构建了包含TCMF1、TCMF2、TACS特征及各临床风险因素的列线图。校准曲线显示预测与观察结果具有良好的一致性。决策曲线分析表明，完整模型在四个参数中获得了最高的净收益。

TCMF2与TCMF1的相关性

典型相关分析揭示了TCMF2与TCMF1之间的协同关系。连接细胞的偏心率（TCMF2-18）与胶原比例面积呈正相关，而所有细胞到7个最近邻距离的紊乱度（TCMF2-62）与胶原纤维数量正相关。这表明在乳腺癌进展过程中，TCMF1的变化与TCMF2的变化是协同发生的。

该研究的创新之处在于首次将TACS区域的核特征纳入预后评估体系，突破了传统全切片核特征分析可能丢失区域特异性信息的局限。研究发现，仅连接细胞（主要是成纤维细胞）的形态和空间分布特征是DFS的显著风险因素，而非肿瘤细胞的特征，这提示在TACS区域，连接细胞在胶原形态变化和癌症进展中可能发挥比肿瘤细胞更重要的作用。

研究结果支持了"形状-基因网络"假说，即ECM硬度增加产生的机械收缩力可能导致核重塑，进而影响细胞分化、染色质重塑和基因表达。TCMF2特征的两种相反组合模式（Cluster 1和Cluster 2）代表了不同的生物学状态，分别与不良和良好预后相关，这为理解肿瘤微环境重塑提供了新的视角。

该研究的临床转化价值显著：首先，TCMF2信息的加入增强了TACS的预后分层能力，有助于识别可能从更积极治疗中获益的高风险患者；其次，检测方法与常规组织学高度兼容，可在不干扰常规病理工作流程的情况下实施；第三，与多基因检测相比，该模型对样本要求低、成本效益高，特别适合在医疗资源相对有限的地区推广应用。

研究人员也承认研究的局限性，包括手动选择感兴趣区域可能引入主观性，以及回顾性设计的固有偏倚。未来需要通过大规模、多中心前瞻性队列研究来验证模型的稳健性和普适性。

总之，这项研究证明了TCMF2是乳腺癌的独立预后因素，基于TACS的完整模型（TACS+TCMF1+TCMF2）能够更准确地分层患者，为个体化辅助治疗决策提供重要依据，推动了乳腺癌精准医疗的发展。