基于深度学习与组织病理图像的导管原位癌浸润性复发预测模型开发及临床价值探索

本研究针对导管原位癌(DCIS)过度治疗难题，开发了整合全切片图像(WSIs)与临床特征的深度学习模型。通过558例荷兰多中心队列验证，证实仅用WSIs即可实现20年随访期风险分层(NPV=0.79，HR=4.48)，为DCIS精准诊疗提供新工具。

　　

乳腺导管原位癌(DCIS)作为筛查中常见的癌前病变，临床处理面临重大困境：约75%患者终生不会进展为浸润性乳腺癌(IBC)，但现有手段无法可靠识别高风险人群，导致多数患者接受与浸润癌相似的根治性治疗。这种"宁可错杀一百"的临床策略，使大量低风险患者承受不必要的治疗负担和生活质量损害。随着乳腺筛查普及，DCIS检出率持续上升，开发精准的风险预测工具已成为国际乳腺肿瘤领域的迫切需求。

荷兰癌症研究所等机构的研究团队在《eBioMedicine》发表重要成果，首次开发出基于常规H&E染色全切片图像(WSIs)的深度学习系统，用于预测原发性纯DCIS患者的同侧浸润性复发风险。这项多中心研究创新性地采用嵌套交叉验证设计，在558例仅接受保乳手术的荷兰队列中验证模型性能，并探索了整合临床病理特征的增效作用。

研究关键技术包括：1)采用预训练ResNet18构建端到端多实例学习框架处理WSIs；2)设计包含基础临床变量(年龄、分级、HER2等)和扩展变量(p16、COX-2等)的整合模型；3)通过5折嵌套交叉验证评估20年/5年预后预测性能；4)利用英国Sloane队列(n=94)进行外部验证。

研究结果显示，在20年评估期中，仅WSIs模型即展现出优异风险分层能力：阴性预测值(NPV)达0.79，受试者工作特征曲线下面积(AUC)0.75，高风险组复发率是低风险组的4.48倍。整合临床变量后，风险比(HR)进一步提升至4.85。值得注意的是，在更具临床指导意义的5年预测期中，模型NPV高达0.92，意味着被判定为低风险的患者仅有8%可能发生早期复发。相比之下，传统临床模型表现平平(20年AUC=0.57，HR=1.37)，证实病理图像蕴含更丰富的预后信息。

深入分析发现，图像特征捕获了超越常规病理评估的预后信号。虽然临床模型中高级别、HER2阳性和高COX-2表达与风险增加相关，但图像模型无需人工标注即可识别更复杂的形态学模式。外部验证环节受限于样本量(n=94)和图像质量问题未达预期，凸显了高质量多中心数据对模型泛化的重要性。

讨论部分强调，这是首个针对纯DCIS长期浸润风险预测的深度学习系统，其创新价值体现在三方面：技术上突破传统病理评估局限，首次实现WSIs端到端预后预测；临床上为主动监测策略提供客观依据，有望减少38.5%的过度治疗；方法学上证实多模态整合的潜在价值。研究者开放了全部源代码以促进领域发展，同时指出未来需通过国际协作解决数据异质性挑战。

该研究为DCIS精准医疗开辟新路径，其价值不仅在于技术突破，更在于临床转化潜力——通过常规病理切片即可识别低风险患者，无需额外检测即可融入现有诊疗流程。随着数字病理普及和模型优化，这类工具或将改写DCIS临床实践指南，实现从"一刀切"到"量体裁衣"的治疗范式转变。