编辑推荐：
非小细胞肺癌（NSCLC）患者对新辅助化疗（NAC）反应差异大，缺乏有效治疗前评估手段。研究人员开发 DeepDrRVT 模型预测 NAC 病理反应，该模型预测性能佳、与病理评估相关性强且能评估预后，为临床治疗决策提供有力工具。
在肺癌的治疗领域，非小细胞肺癌（NSCLC）是 “重头戏”，它约占所有肺癌病例的 85%，也是全球癌症相关死亡的主要原因之一。新辅助化疗（NAC）作为可切除 NSCLC 患者的重要治疗策略，却面临着一个棘手的问题：患者对 NAC 的个体反应差异极大。这就好比同样的 “作战计划”，不同的 “士兵” 执行起来效果千差万别，使得 NAC 在临床应用中的有效性大打折扣。而且，与新辅助靶向治疗和免疫治疗不同，NAC 目前缺乏有效的治疗前组织学生物标志物，这让医生在制定治疗方案时常常 “摸不着头脑”，难以精准地为患者选择最合适的治疗方式。因此，找到可靠的治疗前评估方法，优化个体化治疗策略，成为了亟待解决的难题。
为了攻克这一难关，温州医科大学、首都医科大学附属北京朝阳医院、中国医学科学院肿瘤医院、北京大学肿瘤医院等多家机构的研究人员联合开展了一项研究。他们的研究成果发表在《npj Precision Oncology》上，为 NSCLC 患者的治疗带来了新的希望。
研究人员开发并验证了一种名为 DeepDrRVT 的弱监督深度学习模型，该模型整合了自监督特征提取和基于注意力的深度多实例学习，旨在利用治疗前活检图像改善 NAC 治疗决策。在研究过程中，有几个关键的技术方法起到了重要作用。首先，研究人员收集了来自中国医学科学院肿瘤医院（CHCAMS）和北京大学肿瘤医院（PUCH）的 331 例患者的临床病理数据和活检图像，这些数据和图像成为了模型训练和验证的 “原材料”。其次，在图像采集和处理方面，对福尔马林固定、石蜡包埋（FFPE）的治疗前活检样本进行苏木精 - 伊红（H&E）染色，并数字化成全切片图像（WSIs），经过一系列严格的质量控制和处理步骤，将其转化为可供模型分析的图像数据。然后，利用基于 Transformer 的对比学习模型 CtransPath 对预处理后的图像进行特征提取，为模型提供了丰富的特征信息。最后，使用基于注意力的深度多实例学习（attMIL）架构开发 DeepDrRVT 模型，并通过一系列优化和训练，让模型具备了强大的预测能力。
下面来看看具体的研究结果：
- 研究设计和患者特征：研究人员进行了一项发现和验证研究，从 385 名患者中筛选出 331 名符合条件的患者，并将其分为训练队列（n = 113）、内部测试队列（n = 76）和外部验证队列（n = 142）。这些患者的基线特征在不同队列之间具有可比性，且在达到主要病理反应（MPR）和未达到 MPR 的患者之间，基线特征也没有统计学上的显著差异。
- 深度学习模型对病理反应的预测：DeepDrRVT 模型展现出了强大的预测性能。在训练队列中，预测完全病理反应（CPR）和 MPR 的曲线下面积（AUC）分别达到了 0.954 和 0.968；在内部测试队列中，AUC 分别为 0.872 和 0.893；在外部验证队列中，AUC 分别为 0.848 和 0.831。这表明该模型在不同队列中都能较为准确地预测病理反应。此外，通过 Youden 指数确定数字截断值后，模型能够有效区分 MPR + 和 MPR - 患者，并且数字评估的残余存活肿瘤百分比（% RVT）与专业病理学家的视觉评估高度相关。
- DeepDrRVT 推断的数字 % RVT 与无病生存期的关系：通过无病生存期（DFS）分析评估 DeepDrRVT 在评估 NAC 临床疗效方面的预后价值，发现 Dig.MPR + 组的 DFS 明显长于 Dig.MPR - 组。多变量 Cox 回归分析证实，DeepDrRVT 是 DFS 的独立预后因素，且在不同组织学亚型和治疗周期数的亚组分析中，也验证了其强大的预后分层和 MPR 预测能力。
- DeepDrRVT 的解释：研究人员利用 attMIL 架构生成注意力热图，发现预测 % RVT 分数较高的患者，模型注意力更多集中在肿瘤纯度较高、核异型性和核多形性较高的肿瘤区域；而分数较低的患者，模型注意力则集中在肿瘤纯度较低的区域。此外，比较 Dig.MPR + 和 Dig.MPR - 组治疗后标本的组织病理学特征，发现两组在多核巨细胞、泡沫巨噬细胞、胆固醇裂隙、坏死、浆细胞、中性粒细胞和肿瘤周围淋巴细胞等方面存在显著差异。
在研究结论和讨论部分，DeepDrRVT 模型利用活检图像和基于注意力的多实例学习框架，能够准确预测 NSCLC 患者对 NAC 的病理反应，为临床医生在 NAC 治疗前提供了有价值的决策工具。通过概率分层 MPR 可能性，可实现风险适应性治疗框架，帮助医生为不同患者制定更合适的治疗方案。然而，该研究也存在一些局限性。比如，研究是回顾性的，可能存在潜在偏差，未来需要在更大规模的多中心队列中进行前瞻性验证；活检标本可能无法完全捕捉肿瘤微环境的空间异质性，未来模型可整合分子数据或影像组学特征来提高模型性能；基于 H&E 染色切片的 DeepDrRVT 模型可能不足以预测免疫治疗的反应。但总体而言，这项研究为 NSCLC 患者的治疗开辟了新的道路，为精准医疗提供了重要的技术支持，有望在未来进一步改善患者的治疗效果和预后。
