深度学习评估数字化乳腺癌组织切片转移复发风险：AI驱动的预后新工具

本研究针对雌激素受体阳性/HER2阴性(ER+/HER2-)早期乳腺癌患者预后评估的临床挑战，开发了基于深度学习的数字病理工具RlapsRisk BC。通过分析常规H&E/HES染色切片，该模型独立预测5年无转移生存率(MFS)，C-index达0.81，显著超越临床病理指标(0.76)。研究证实AI可识别传统方法难以检测的高危患者，为精准辅助治疗决策提供新范式。

　　

乳腺癌作为女性癌症死亡的首要原因，尽管诊疗技术不断进步，但ER+/HER2-亚型患者（占70%）的预后评估仍面临重大挑战。当前临床依赖的组织学分级、Ki67指数等指标存在主观偏差，而分子检测成本高昂且普及受限。如何精准识别可能豁免化疗的低危患者，以及需要强化治疗的高危人群，成为临床决策的关键痛点。

法国古斯塔夫·鲁西癌症中心联合Owkin公司的研究团队在《Nature Communications》发表突破性成果，开发了首个直接从数字化病理切片预测转移风险的深度学习系统RlapsRisk BC。这项研究通过分析1802例训练队列和1229例多中心验证队列的H&E/HES切片，证明AI模型不仅能独立预测5年无转移生存（风险比HR=1.67），与临床因素联合使用时更将预测精度提升21%（敏感性0.69 vs 0.63）。

研究采用三大关键技术：1）基于Vision Transformer的自监督特征提取，利用TCGA预训练模型处理全切片图像(WSI)；2）多实例学习框架(DeepMIL)整合数万组织切片的预后信号；3）独创的Uniform Piecewise Approximation校准技术，使模型兼容不同染色协议。验证阶段采用严格的bootstrap重采样（1000次）确保结果稳健性。

【模型开发与验证】
通过三阶段交叉验证构建的RlapsRisk BC，在独立验证队列中C-index达0.81。特别值得注意的是，在临床中危组患者中，模型将预测精度提升28%（C-index 0.86 vs 0.78），这部分恰好是当前临床决策最困难的群体。

【临床实用性】
采用5% MFS事件概率阈值时，联合模型将患者分为高危（10.04%事件率）和低危组（1.32%事件率），风险比达8.01。在传统方法难以区分的G2级肿瘤中，模型仍保持5.67的显著风险分层能力。

【生物学解释性】
病理专家盲法评估显示，模型自动识别的危险区域富含核多形性、低管状形成等已知不良特征（p<0.05），而纤维化、血管结构则与低风险相关。这种与经典病理学的吻合证实了模型的生物学合理性。

这项研究标志着数字病理进入临床决策支持的新阶段。相比现有分子检测，基于常规切片的AI工具具有三大优势：1）规避Ki67等指标的操作变异性；2）整合微环境特征（如间质反应）的预后信息；3）大幅降低检测成本。研究者特别指出，模型在绝经后患者中表现优异（HR=1.75），但在绝经前群体仍需优化，这为后续研究指明了方向。

目前团队已启动前瞻性研究，拟与Oncotype DX等分子检测进行头对头比较。随着校准流程的标准化（仅需30例标定样本），该技术有望快速整合至临床工作流。这项成果不仅为乳腺癌精准治疗提供新工具，更开创了"形态组学"（morphomics）研究范式——通过深度学习直接解码组织形态与疾病演化的深层关联。