编辑推荐：
本文介绍了 MMRNet，这一深度学习模型可从苏木精 - 伊红（H&E）染色的全切片图像预测子宫内膜癌（EC）的错配修复（MMR）缺陷状态。其在多数据集表现良好，人机融合策略还能提升诊断准确性，为 EC 诊疗提供了新方向。
研究背景
子宫内膜癌（EC）是全球第三大常见妇科癌症，发病率逐年上升。通过分子分类与临床病理方法相结合，能改善 EC 的风险评估和治疗选择。癌症基因组图谱（TCGA）将 EC 分为四种分子亚型，其中错配修复缺陷型（MMRD）的 EC 患者约占 20%-30%，对免疫检查点抑制剂治疗反应良好。目前检测 MMR 缺陷的方法，如基于微卫星不稳定性（MSI）的聚合酶链反应（PCR）、下一代测序（NGS）和免疫组织化学（IHC）等，存在资源消耗大、时间长、成本高等问题，限制了其广泛应用。因此，开发一种经济有效的工具来检测 EC 患者的 MMR 状态迫在眉睫。深度学习模型在从 H&E 染色的全切片图像（WSIs）中检测癌症亚型和分子特征方面展现出潜力，本研究旨在开发并验证 MMRNet，以利用 H&E 染色切片预测 EC 患者的 MMR 状态。
研究方法
- 患者队列：利用四个不同的队列来评估 MMRNet 的有效性。内部子宫体子宫内膜癌（Internal-UCEC）数据集用于模型开发，包含 242 例 MMR 缺陷型子宫内膜癌（MMRDEC）患者和 784 例 MMR proficient 型子宫内膜癌（MMRPEC）患者的 H&E 染色 WSIs。此外，还使用了三个独立的外部验证数据集：TCGA-UCEC、MultiCenter-UCEC 和 GWCH-UCEC，这些数据集涵盖了不同中心的患者，具有广泛的代表性。
- MMRNet 的开发与评估：MMRNet 是一个基于多种网络骨干（如 EfficientNet 和 ResNet18）的集成二元分类器。通过 5 折交叉验证策略训练模型，将数据集在幻灯片层面分为五部分，每个分类器使用其中四部分进行训练，剩余部分作为内部验证集确定最佳训练停止点。为减少肿瘤大小带来的偏差，将大的 WSIs 在 10 倍放大倍数下分割成不重叠的小块，进行颜色归一化和大小调整后输入模型，通过简单平均聚合补丁级预测得到幻灯片级结果。
- 评估指标：通过计算受试者工作特征曲线下面积（AUROC）、灵敏度、特异性和阴性预测值（NPV）等指标来评估 MMRNet 的诊断性能。同时，进行健康经济学评估，比较 MMRNet 与传统诊断方法在时间、成本、人力和设备要求等方面的差异。此外，分析 MMRNet 预测结果与组织病理学特征之间的相关性，并对 MMRNet 的误诊情况进行深入分析。
研究结果
- MMRNet 的诊断性能：在内部数据集的内部交叉验证中，MMRNet 的 AUROC 平均为 0.897，灵敏度为 0.628，特异性为 0.949。在外部验证中，使用 TCGA-UCEC、MultiCenter-UCEC 和 GWCH-UCEC 数据集，MMRNet 的 AUROC 分别为 0.790、0.807 和 0.863。健康经济学评估显示，MMRNet 在效率和成本方面优于传统诊断方法，如 IHC、PCR 和 NGS。
- 与病理学家的比较：通过读者研究比较 MMRNet 与不同经验水平病理学家的诊断性能。结果表明，MMRNet 的 AUROC 显著超过初级和高级病理学家，与专家病理学家的表现接近。在所有三个外部数据集中，MMRNet 的灵敏度均优于所有病理学家，这表明其在筛查潜在 MMR 缺陷病例方面具有重要价值。
- 人机融合策略：开发人机融合策略，将 MMRNet 的预测结果与不同经验水平病理学家的评估相结合。在各个外部数据集上，人机融合策略均提高了诊断准确性，其 AUROC 超过了 MMRNet 单独预测的结果。这表明人机融合方法能够有效提升对 EC 患者 MMR 状态的预测能力。
- 组织病理学特征与 MMRNet 预测的相关性：通过逻辑回归模型分析发现，在不同数据集中，MMRNet 对 MMRDEC 的预测与多种组织病理学特征相关，如肿瘤浸润淋巴细胞（TILs）、肿瘤周围淋巴细胞、实性圆形至椭圆形细胞片、淋巴上皮瘤样形态和背景子宫内膜增生等。通过在 WSIs 上叠加热图，可直观地观察到 MMRNet 关注的区域，进一步验证了这些特征在模型预测中的重要性。
- MMRNet 的误诊分析：对 MMRNet 在不同数据集上的误诊情况进行分析，发现不同数据集中误诊病例的形态学特征存在差异。例如，在 TCGA-UCEC 数据集中，假阳性病例中 TILs 显著存在；在 MultiCenter-UCEC 数据集中，假阳性病例表现为乳头状 / 息肉样和黏液样分化，假阴性病例缺乏实性圆形至椭圆形细胞片；在 GWCH-UCEC 数据集中，假阳性病例有显著的肿瘤周围淋巴细胞和实性圆形至椭圆形细胞片，假阴性病例缺乏以子宫下段（LUS）为中心的特征。同时，对比了人类病理学家和 MMRNet 模型的误诊情况，发现 MMRNet 受某些复杂组织病理学特征的影响较小，能够更准确地进行分类。
研究讨论
- MMRNet 的优势：MMRNet 在不同临床环境和机构中表现优于病理学家，且通过人机融合可进一步提高其识别 MMRDEC 亚型的能力，有望作为选择适合免疫治疗的 EC 患者的生物标志物。与以往研究中仅在特定队列或单一数据集上验证的模型不同，MMRNet 在内部数据集和三个外部数据集上进行了广泛验证，涵盖了多种 EC 阶段和不同中心的患者，增强了模型的临床相关性和通用性。此外，MMRNet 使用了更浅的 ResNet18 架构，减少了参数数量，降低了计算需求，更适合大规模病理切片处理，在资源受限的环境中也具有应用潜力。
- MMRNet 的局限性：尽管 MMRNet 取得了较好的结果，但研究仍存在局限性。首先，MMRNet 的训练是回顾性的，需要前瞻性临床验证。其次，人机融合方法虽然对初级病理学家有较大帮助，但仍需进一步优化以提高其临床实用性。再者，MMRNet 虽然能准确识别 MSI 状态，但不能替代分子分类，且回顾性数据集限制了全面的分子特征分析，未来需要与分子谱分析相结合。另外，对于 Lynch 综合征相关病例，由于数据集较小，限制了相关结论的得出，需要更大规模的研究来评估 MMRNet 与 NGS 相比的准确性。最后，不同数据集之间灵敏度和特异性的差异，受样本异质性和数据质量的影响，给实际应用带来挑战。
- 研究展望：未来的研究应聚焦于整合临床和组织病理学数据、多模态学习以及采用先进的深度学习架构，以提高模型的准确性和稳定性。同时，进一步探索人机融合在诊断中的应用，有望为病理学家提供更有效的决策支持工具，最终提高 EC 患者的诊断和治疗水平。
综上所述，本研究开发的 MMRNet 为预测 EC 患者的 MMR 状态提供了一种有效的方法，人机融合策略进一步提升了其性能，在 EC 的诊疗中具有潜在的应用价值，但仍需进一步研究和优化以实现临床转化。
