Deepath-MSI：基于深度学习的结直肠癌微卫星不稳定性全切片图像检测模型的临床转化研究

本研究针对结直肠癌(CRC)微卫星不稳定性(MSI)检测存在的临床挑战，开发了基于多实例学习的Deepath-MSI模型。通过5070例多中心全切片图像(WSI)训练，模型在测试集中达到AUROC 0.98，95%灵敏度下特异性达92%，可减少85.6%的分子检测需求。该突破性设备获中国NMPA认证，为MSI筛查提供了高效解决方案。

　　

在精准医疗时代，结直肠癌(CRC)的分子分型对治疗决策至关重要。微卫星不稳定性(Microsatellite Instability, MSI)作为关键生物标志物，不仅指导免疫治疗选择，还与林奇综合征(Lynch syndrome)诊断密切相关。然而现状令人担忧：传统检测方法如免疫组化(IHC)和聚合酶链反应(PCR)需要专业技术人员，耗时数天至数周，在资源匮乏地区尤为受限。更棘手的是，现有AI解决方案如MSIntuit虽灵敏度达96-98%，但特异性仅46-47%，导致大量假阳性病例仍需验证性检测。这种困境呼唤着新一代解决方案的诞生。

针对这一临床痛点，由Xu Feng、Wenjuan Yin等12位研究者组成的跨学科团队在《npj Precision Oncology》发表了突破性成果。研究团队开发了Deepath-MSI——一个基于特征的多实例学习模型，通过5070例来自七个独立队列的全切片图像训练，实现了临床级MSI检测性能。这项研究最引人注目的是其"双高"特性：在保持95%高灵敏度的同时，特异性提升至92%，完美解决了现有AI模型特异性不足的瓶颈问题。

研究采用三项关键技术方法：首先构建多中心数据集，整合中国五个医疗中心(APH、FUSCC等)和TCGA西方人群的5070例CRC样本；其次开发特征提取器，采用DINOv2自监督学习框架处理WSI的异质性；最后建立基于注意力机制的多实例学习分类器，通过端到端训练实现从图像特征到MSI状态的映射。特别值得注意的是，研究设置了严格的质控标准，要求每例样本至少包含100个肿瘤区域切片(约6.6 mm²)。

模型性能验证部分展现了令人信服的结果。在测试集(n=1234)中，Deepath-MSI达到AUROC 0.976的优异表现。按预设95%灵敏度阈值，特异性达91.7%，总体准确率92.2%。值得注意的是，模型在不同扫描仪(3D Histech到KFBIO)和人群(中西方)间表现稳定，AUROC波动仅0.967-0.991。真实世界验证队列(FUSCC-RD，n=2236)中，模型保持94.6%敏感性和90.7%特异性，阳性预测值34.7%，阴性预测值高达99.7%。

亚组分析揭示了若干重要发现。模型在右半结肠癌、粘液腺癌等特殊类型中性能稍逊，这与MSI-H肿瘤特有的病理特征(如>6cm、低分化等)相关。值得注意的是，与传统认知一致，dMMR肿瘤更多见于右半结肠(13.5% vs 左半3.8%)、年轻患者(<50岁9.1% vs ≥50岁4.3%)，验证了模型生物学合理性。

讨论部分强调了三大创新：一是采用特征提取与分类解耦的FMIL框架，相比端到端模型更好处理WSI异质性；二是通过大规模数据增强解决染色差异问题；三是首次在保持高灵敏度同时显著提升特异性。临床转化价值尤为突出——按研究测算，应用Deepath-MSI可减少85.6%的验证性检测，使分子检测需求从2236例降至322例。这种"AI初筛+验证确认"的新模式，为资源受限地区提供了可行解决方案。

当然，研究也存在一定局限：活检样本性能尚未验证；对特殊病理类型(如粘液癌)的识别有待优化。但毋庸置疑，这项获得中国NMPA"突破性设备"认证的成果，标志着AI在数字病理领域迈入临床实用新阶段。未来，随着前瞻性多中心验证的开展，Deepath-MSI有望重塑CRC分子检测流程，实现从组织学诊断到分子分型的"一站式"解决方案，最终惠及全球患者。