基于人工智能模型的结肠癌病理组学预测：早期与晚期分期的深度学习与机器学习比较

本研究针对结肠癌病理分期诊断中传统方法依赖主观判断、效率低下的问题，开发了基于全切片图像（WSI）的人工智能（AI）预测模型。研究人员通过CellProfiler和CLAM工具提取病理特征，分别构建机器学习（AUC 0.78）和深度学习（AUC 0.889）模型，并利用TCGA-COAD数据库进行外部验证（AUC 0.70）。该研究为临床提供客观、高效的辅助诊断工具，推动精准医疗发展。

　　

结肠癌作为全球高发的消化道恶性肿瘤，每年导致超过5万人死亡，其早期诊断对改善预后至关重要。然而，传统病理诊断依赖人工镜检，存在效率低、主观性强等瓶颈。尤其令人担忧的是，近年来结肠癌发病呈现年轻化、晚期化趋势，但病理医师资源却严重不足。这种供需矛盾催生了人工智能辅助诊断技术的快速发展——通过将病理图像转化为可量化数据，有望实现标准化、高效率的癌症分期。

黑龙江中医药大学附属第三医院的研究团队在《Discover Oncology》发表了一项突破性研究。他们创新性地将病理组学与人工智能结合，开发了基于全切片图像的结肠癌分期预测系统。研究收集了103例院内结肠癌患者的病理切片作为训练集，并整合TCGA-COAD数据库的421例样本进行验证。通过CellProfiler提取细胞形态学特征（如核面积、纹理特征），结合CLAM算法（Clustering-constrained Attention Multiple Instance Learning）的注意力机制定位关键区域，最终构建的深度学习模型在内部测试中达到0.854的准确率，显著优于传统机器学习方法。

关键技术包括：1）采用20倍镜下的512×512像素切片进行Vahadane染色归一化处理；2）通过LASSO回归和递归特征消除（RFE）筛选出46个核心特征；3）利用预训练的ResNet50网络提取1024维特征向量；4）基于注意力热图可视化模型决策依据。

病理特征筛选

研究发现核区域颗粒度（Granularity）和苏木精染色强度是区分癌症分期的关键指标。LASSO回归确定的66个特征中，46个与肿瘤进展显著相关，主要涉及：核区强度纹理特征（Hematoxylin图像）、核质比（N/C ratio）以及腺体结构完整性。

模型性能比较

随机森林（RandomForest）在机器学习模型中表现最优（内部AUC 0.78），而深度学习模型展现出更强判别力（内部AUC 0.889）。值得注意的是，模型对晚期癌变的识别特异性更高，这源于注意力机制对细胞异型性（如核深染、基底膜断裂）的精准捕捉。

可视化解释

生成的注意力热图显示：早期癌变区域（蓝色）细胞排列规则，而晚期病灶（红色）呈现明显的核多形性和腺体结构破坏。这种可视化结果与病理医师的诊断标准高度吻合，增强了模型的可信度。

该研究首次系统比较了不同AI算法在结肠癌病理分期中的效能，证实深度学习在图像识别方面的优势。尽管外部验证表现（AUC 0.70）提示仍需扩大样本多样性，但该方法已展现出三大临床价值：1）缓解病理医师工作负荷；2）标准化诊断流程；3）通过特征重要性分析（SHAP）揭示Granularity等新型生物标志物。未来整合基因组学等多组学数据，有望进一步突破现有技术瓶颈，为癌症精准诊疗提供新范式。