基于人工智能的非小细胞肺癌间质-肿瘤比率自动量化算法开发与临床验证：一项多中心预后研究

本研究针对非小细胞肺癌(NSCLC)预后评估中人工STR(Stroma-Tumor Ratio)量化存在的主观性强、效率低等问题，开发了基于深度学习的全自动STR量化算法。通过4个国际队列(1686例患者)验证，发现LUAD(肺腺癌)中最小STR值(MIN-STR)是独立预后因子，而LUSC(肺鳞癌)的STR预后价值存在异质性。该成果为NSCLC精准分层提供了可临床转化的AI工具。

　　

肺癌作为全球癌症相关死亡的首要原因，其中非小细胞肺癌(NSCLC)占比达81%。尽管手术切除是早期患者的主要治疗手段，但术后预后评估仍面临挑战。间质-肿瘤比率(Stroma-Tumor Ratio, STR)作为上皮性肿瘤的潜在通用生物标志物，在结直肠癌等领域已有明确预后价值，但其在NSCLC中的应用存在三大瓶颈：传统人工评估存在观察者间差异、缺乏标准化量化方法、在肺腺癌(LUAD)和肺鳞癌(LUSC)中的临床意义尚未明确。

为解决这些问题，德国科隆大学医院等机构的研究团队开发了基于人工智能的全自动STR量化算法，通过4个国际队列(TCGA、PLCO、NLST和UKK)共1686例患者的验证研究，证实STR在LUAD中的独立预后价值。相关成果发表在《Lung Cancer》上。

研究采用两项核心技术：1)基于UNet++架构的多类组织分割算法，对H&E染色全切片图像(WSI)进行11类组织精确分割(Dice-score=0.893)；2)STR量化算法，通过系统分析预设大小(1.0mm/LUAD、2.0mm/LUSC)的圆形感兴趣区域(ROI)，计算STR=间质面积/(肿瘤面积+间质面积)。所有分析均基于常规诊断切片，无需额外染色。

3.1 STR量化流程
开发的全自动流程包含组织分割和STR计算两个模块，可生成可视化热图并聚合多张切片的STR值。关键创新在于引入严格的ROI质量控制：肿瘤需分布于所有象限、坏死/黏液含量分别<20%/30%、肿瘤相关区域占比>95%。

3.2 LUAD和LUSC的STR参数优化
发现LUAD中最小STR值(MIN-STR)与预后最相关，而LUSC取决于最大STR值(MAX-STR)。值得注意的是，MIN-STR与pT/pN分期呈负相关(r<0.3)，但效应量较小。

3.3 LUAD预后验证
在TCGA探索队列中，MIN-STR≤0.2的LUAD患者OS风险比(HR)达1.96。三分类(0.07/0.2双截点)可进一步细化分层。在合并PLCO/NLST验证队列中，MIN-STR对所有终点(OS/CSS/PFS)均保持独立预后价值(多变量HR 1.20-2.60)。

3.4 LUSC预后异质性
TCGA和UKK队列显示MAX-STR≥0.86标识高危患者(OS HR=2.01)，但PLCO/NLST队列呈现相反趋势，提示LUSC中STR预后价值可能存在亚型特异性。

讨论部分强调，该研究首次建立了基于常规H&E切片的NSCLC全自动STR分析标准。与既往依赖免疫组化(如pan-cytokeratin)的研究不同，该方法更符合临床实际。值得注意的是，LUAD中局部低STR区域(代表高肿瘤细胞密度的克隆)的预后意义支持"肿瘤进化"假说。

该研究的临床意义在于：1)为LUAD提供可整合至常规诊断的客观预后工具；2)揭示STR在NSCLC不同亚型中的双向生物学意义；3)验证了AI算法在复杂形态学特征量化中的可靠性。局限性包括回顾性设计和对LUSC结论的不确定性，未来需前瞻性研究验证。

这项工作的创新性体现在三方面：方法论上实现全流程自动化、临床验证上采用多中心大样本、科学发现上阐明STR在肺癌微环境中的亚型特异性作用。为数字病理在精准肿瘤学的应用提供了范式。