创新病理组学模型精准分级胰腺神经内分泌肿瘤并指导个体化治疗

为解决胰腺神经内分泌肿瘤（PanNETs）传统分级方法（Ki-67指数和核分裂计数）主观性强、耗时长的问题，研究人员开发了基于H&E全玻片图像（WSIs）的病理组学模型。通过提取定量特征构建病理组学评分（pathomics score），该模型在验证和测试队列中分别实现AUC 0.85和0.93，显著区分高低风险组并预测预后，为临床提供高效、客观的分级工具，推动精准治疗和风险分层。

　　

胰腺神经内分泌肿瘤（Pancreatic Neuroendocrine Tumors, PanNETs）是源于胰腺神经内分泌细胞的罕见肿瘤，占所有胰腺恶性肿瘤的约10%。近年来，随着筛查技术提升，其检出率激增4-7倍，但准确分级仍是临床难题。传统世界卫生组织（WHO）分级依赖Ki-67指数（需手动计数500-2000个细胞）和核分裂计数，不仅耗时费力，还因染色差异和主观判断导致结果不稳定——尤其当Ki-67值处于1-5%临界点时，微小误差即可改变分级，进而影响手术方案（如G1肿瘤可局部切除，G3需辅助化疗）。这种低效且主观的方法，阻碍了患者个体化治疗和生存率提升（G1/G2/G3的5年生存率分别为77.33%、63.06%和20.04%）。

为突破这一瓶颈，上海长海医院海军军医大学的研究团队在《npj Precision Oncology》发表研究，开发了一种基于病理组学（pathomics）的自动化分级模型。该技术利用常规H&E染色切片，结合人工智能分析，实现高效、客观的肿瘤分级。研究通过多中心队列（272例患者）验证模型性能，结果显示其不仅能精准区分肿瘤级别，还可独立预测无进展生存期（PFS），为临床决策提供新工具。

研究采用以下关键技术方法：

1. 全玻片图像处理：使用Hamamatsu NanoZoomer S60扫描仪数字化H&E切片，生成高分辨率图像。

2. 深度学习分割模型：基于DeepLabv3+算法训练肿瘤和间质分割模型，通过IoU（Intersection over Union）评估分割精度（肿瘤IoU 0.88±0.02，间质IoU 0.89±0.01）。

3. 多粒度特征提取：从分割区域量化肿瘤、肿瘤床（tumor bed）和单细胞特征，包括形态学（如细胞圆度）、纹理（如图像同质性）和拓扑（如细胞间最小边距离），共提取427项病理组学特征。

4. 特征筛选与建模：通过LASSO回归筛选出6个核心特征构建病理组学评分，结合临床参数（如肿瘤大小、TNM分期）建立逻辑回归分级模型。

5. 验证与成本分析：在训练集（n=149）、验证集（n=65）和外部测试集（n=58）评估模型性能，并通过决策曲线分析（DCA）和生存模型比较临床效用。

研究结果按章节归纳如下：

Patient demographics

分析272例患者队列（G1