编辑推荐：
为探寻胰腺癌预后生物标志物，研究人员用深度学习模型分析，发现 SIP 和 LIP 可预测患者生存。
在癌症的世界里，胰腺癌（Pancreatic ductal adenocarcinoma，PDAC）可谓是 “臭名昭著”，它是人类已知最致命的癌症之一。目前，手术治疗是早期胰腺癌患者唯一的治愈希望，辅助化疗对提高患者生存率至关重要。然而，并非所有患者的生存情况都一样糟糕，少数晚期患者甚至能存活数月或数年。这就迫切需要寻找能预测个体生存的预后生物标志物。
此前，传统评估肿瘤间质比（Tumor-stroma ratio，TSR）的方法依赖病理学家手动评分或视觉估计，既主观又费力，而且相关大规模研究稀缺，小规模研究结果也不一致。随着成像技术和计算能力的进步，数字病理学兴起，深度学习（Deep learning，DL）在其中发挥了重要作用，尤其是卷积神经网络（Convolutional neural network，CNN）在医学图像分割领域表现出色，U-net 模型更是凭借其独特的跳跃连接结构，在复杂器官的图像分割中优势明显。基于此，来自德国亚琛工业大学附属医院、上海交通大学医学院等多个研究机构的研究人员开展了一项研究，相关成果发表在《Scientific Reports》上。
研究人员开展了一项回顾性、多中心队列研究，纳入了来自四个地点的 800 例手术切除的胰腺癌患者的组织切片。这些样本分别来自德国亚琛工业大学附属医院（AC）、德国杜塞尔多夫大学医院（DUS）、荷兰鹿特丹伊拉斯谟医学中心（EMC），以及从公共癌症基因组图谱（TCGA）数据门户下载的诊断切片。
在研究过程中，研究人员运用了多种技术方法。首先是图像处理技术，病理学家挑选组织切片并扫描，用 QuPath v0.2.4 软件手动勾勒感兴趣区域（Region of interest，ROI），包括肿瘤腺体、淋巴细胞和间质。从每个队列中随机选取 10 个全切片图像（Whole slide image，WSI），由经验丰富的病理学家精细标注，提取超过 50,000 个代表性图像块，用于构建训练集。同时，对图像进行颜色归一化处理，以减少不同来源图像的颜色差异。其次是深度学习算法，以 U-net 为骨干网络进行分割学习，在 Python 中使用 Keras 库实现该架构。通过调整超参数，运用重叠图像块策略补偿卷积过程中丢失的像素，防止过拟合。最后是统计分析，利用 X-tile 工具确定间质比例的潜在临界值，用最大选择秩统计方法确定淋巴细胞比例的最佳临界值，通过 Kaplan-Meier 生存分析绘制生存曲线，用 log-rank 检验比较生存分布差异，使用 R 软件及相关包进行统计分析。
在训练模型评估方面，研究人员为每个队列训练并应用了深度学习模型，该模型能准确区分 ROI 内的肿瘤、间质和淋巴细胞。从分类图和输出结果来看，U-net 模型表现出色，不同队列测试集的评估指标显示，模型总准确率达到 94.72%，平均交并比为 78.66%，平均骰子系数为 87.74%。
在评估间质百分比（Stroma in percentage，SIP）的独立预后价值时，研究人员根据 X-tile 工具分析 SIP 直方图，将 SIP 分为低、中、高三个群体。结果发现，SIP-high 和 SIP-low 患者的中位总生存期（Overall survival，OS）较差，而 SIP-intermediate 患者的中位 OS 较好。基于此，将 SIP-low 和 SIP-high 合并为 SIP-LH，对患者进行分组分析，结果显示，在各个队列中，SIP-intermediate 组的中位 OS 均显著长于 SIP-LH 组。
评估淋巴细胞百分比（Lymphocytes in percentage，LIP）的独立预后价值时，确定了 LIP 的临界值，将患者分为 LIP-low 和 LIP-high 两组。Kaplan-Meier 生存分析表明，高淋巴细胞浸润与较长的中位 OS 相关，在各个队列中，LIP-high 组的中位 OS 均长于 LIP-low 组。
研究人员还评估了 SIP 和 LIP 的联合预后价值，将每个队列分为三组：Group 1 为 SIP-intermediate 和 LIP-high，具有最佳的间质和高淋巴细胞浸润；Group 2 为 SIP-intermediate 和 LIP-low 或 SIP-LH 和 LIP-high，即具有最佳间质百分比或高淋巴细胞浸润；Group 3 为 SIP-LH 和 LIP-low，间质和淋巴细胞预后价值均较差。后续的 Kaplan-Meier 分析显示，Group 1 的中位 OS 最佳，在各个队列中均显著优于 Group 2 和 Group 3。
Cox 回归分析结果表明，在多个队列中，SIP 和 LIP 均被确定为中位 OS 的独立预测指标。
在讨论部分，研究人员指出，以往关于间质比例对肿瘤预后影响的研究结果不一致，这可能是由于肿瘤异质性以及间质细胞类型的高度异质性。胰腺癌中的癌症相关成纤维细胞（Cancer-associated fibroblasts，CAFs）存在多种亚型，功能各异，对肿瘤的发展和预后影响复杂。同时，淋巴细胞比例与胰腺癌预后的关系也备受关注，肿瘤浸润淋巴细胞（Tumor infiltrating lymphocytes，TILs）通常与较好的预后相关，但检查点抑制剂的共表达会影响其功能状态。与以往研究相比，该研究采用 CNN 实现了 TSR 评估的自动化、客观化和可重复性，且进行了大规模分析，提高了基于 TSR 预后预测的普遍性和可靠性。不过，研究也存在一些局限性，如模型性能可能受图像质量和切片制备差异的影响，对其他细胞群体的准确识别有待进一步研究，还需将研究结果与其他生物标志物和模态相结合，开展功能研究以阐明潜在的生物学机制。
总的来说，该研究通过 U-Net 模型自动测定肿瘤、间质和淋巴细胞的比例，发现 SIP 和 LIP 的组合可为接受手术的胰腺癌患者提供风险分层，进一步证实了间质比例对肿瘤预后的预测价值。虽然将深度学习模型转化为实际临床应用还有很长的路要走，但该研究为深度学习在常规病理学中的应用提供了有价值的信息，是一个充满希望的开端。
