基于深度学习组织病理图像分析的胃癌临床预后预测模型构建与免疫机制解析

本研究针对胃癌术后预后预测精度不足的临床难题，创新性地采用机器学习整合肿瘤/瘤周组织病理图像特征（Pathomics），构建GBM梯度提升机模型（Pathscore）。结果显示：联合模型1/3/5年AUC达0.837-0.970，结合年龄/TNM分期构建的列线图进一步提升预测效能（AUC 0.898-0.954），并通过TCGA/GEO数据库验证其通过NRP1基因调控肿瘤免疫微环境的潜在机制，为胃癌精准诊疗提供新策略。

　　

胃癌作为全球第五大恶性肿瘤，其术后生存率在发展中国家不足60%，传统TNM分期难以满足个体化预后评估需求。肿瘤异质性导致的治疗响应差异，以及缺乏有效生物标志物等问题，严重制约临床决策。随着全切片数字化(WSI)技术普及，病理图像中隐藏的肿瘤微环境信息成为突破点。

浙江省台州医院联合温州医科大学的研究团队在《Computer Methods and Programs in Biomedicine》发表研究，通过多中心回顾性分析160例根治术胃癌患者，结合TCGA-STAD队列401例数据，创新性地将深度学习应用于组织病理图像分析。研究采用Qupath软件分割1000×1000像素图像区域，CellProfiler提取229项病理组学特征，经Macenko法标准化后，运用LASSO、随机生存森林(RSF)、GBM等6种机器学习算法构建预测模型，最终通过ESTIMATE、CIBERSORT等工具解析免疫机制。

3.1 一般临床数据
研究纳入561例患者（训练集80例、验证集80例、TCGA队列401例），中位随访41个月。数据显示III期患者占比达42.8%，45%患者出现死亡事件，凸显预后预测的紧迫性。

3.2 病理组学模型构建
通过Spearman相关性分析筛选64个关键特征（34个肿瘤区+30个瘤周区）。GBM模型表现最优，验证集1/3/5年AUC分别为0.833/0.794/0.806。值得注意的是，联合肿瘤/瘤周特征的"组合AUC"较单一区域提升12.7%，证实瘤周组织蕴含重要预后信息。

3.3 临床整合价值
列线图整合年龄、M分期、TNM分期和Pathscore后，预测效能显著提升（测试集5年AUC 0.803）。决策曲线分析显示，当阈值概率>0.3时，联合模型净获益率超35%，具备明确临床适用性。

3.4 免疫机制解析
TCGA数据揭示低Pathscore组免疫评分更高（P<0.01），且CD8⁺
T细胞、NK细胞浸润更显著。关键基因NRP1与纹理角二阶矩特征（Texture Angular Second Moment Hematoxylin）强相关（r=0.618），其高表达组5年生存率降低41.2%，提示可通过病理图像特征间接评估免疫抑制状态。

该研究突破性地证实病理组学可量化反映肿瘤生物学行为。GBM模型通过捕捉HE染色图像中的纹理异质性，实现了超越传统分期的预测精度。更值得注意的是，Pathscore与PD-L1、LAG3等免疫检查点表达相关，为免疫治疗获益人群筛选提供新思路。研究局限性在于样本量较小，且NRP1调控机制需湿实验验证。未来可探索多模态整合基因组数据，推动病理组学向临床转化应用。