深度学习与计算组织病理学增强皮肤鳞状细胞癌转移风险预测的突破性研究

本研究针对皮肤鳞状细胞癌(cSCC)转移风险预测的临床难题，开发了基于深度学习的cSCCNet模型。通过分析227例多中心原发性cSCC的数字化病理切片，该模型实现了95%的准确率和0.95的AUC值，显著优于传统临床病理分类和基因表达谱工具。研究揭示了肿瘤分化程度、淋巴细胞空间分布等新型组织学特征与转移的关联，为个体化治疗决策提供了可靠依据。

　　

皮肤鳞状细胞癌(cSCC)作为第二常见的皮肤恶性肿瘤，每年在全球造成重大疾病负担。尽管多数cSCC可通过手术治愈，但发生转移的患者预后极差，5年生存率不足50%。目前临床依赖的AJCC8、UICC8等分期系统预测准确性有限，基因检测又面临成本高、样本要求严苛等问题。随着数字病理技术的普及，如何利用人工智能挖掘组织学图像中的预后信息，成为解决这一临床痛点的突破口。

来自英国多中心团队的研究人员在《npj Precision Oncology》发表了创新性成果。该研究整合四家医疗中心的227例原发性cSCC样本，开发了名为cSCCNet的双模型深度学习系统。关键技术包括：1)采用ResNet50架构构建自动区域选择模型，从全切片图像(WSI)中识别肿瘤相关区域；2)基于多中心队列训练转移预测模型，通过五折交叉验证优化性能；3)结合免疫组织化学(mIHC)分析肿瘤微环境特征，增强模型可解释性。

模型开发与验证

cSCCNet首先通过Model 1自动选择包含肿瘤组织、瘤内炎症细胞和周围基质的区域(ROI)，在测试集达到0.97的AUC值。Model 2对筛选出的区域进行转移风险预测，其热图显示低分化癌、促结缔组织增生等区域获得高风险评分。在独立测试集中，模型以95%的准确率区分转移与非转移病例，显著优于20-GEP基因检测(AUC 0.80)和临床分期系统(AUC 0.69-0.71)。

组织学特征解析

通过分析模型关注的区域发现：1)低分化癌伴核浆比增高区域评分最高；2)促结缔组织增生和棘层松解模式与高风险相关；3)肿瘤边缘淋巴细胞聚集对应低风险评分。mIHC进一步显示转移性cSCC中CD3⁺T细胞浸润比例更高(6% vs 2%)，提示免疫微环境的空间分布具有预后价值。

临床价值与局限性

该研究首次证明深度学习可直接从常规H&E切片提取超越临床分期的预后信息。cSCCNet无需人工标注或特殊检测，可无缝整合到现有病理工作流程。值得注意的是，模型在中心间验证中保持73-85%的敏感性，但特异性下降至58%，反映不同机构间制片差异的挑战。两个误分类病例分析显示，完整切除标本对模型性能至关重要。

这项研究为cSCC精准医疗开辟了新途径。未来通过前瞻性多中心验证、结合基因组数据构建多模态模型，有望进一步优化预测性能。作为首个在cSCC中实现临床级预测的AI工具，cSCCNet不仅解决了现有风险分层工具的局限性，其揭示的新型组织学标志物也为机制研究提供了重要线索。该成果标志着计算病理学在皮肤肿瘤领域迈入临床转化新阶段。