《Modern Pathology》：Reproducible and Interpretable H&E-based Histopathological Subtypes of Non-metastatic Lymph Nodes Refine Risk Stratification in Colorectal Cancer
编辑推荐：
摘要淋巴结状态对于结直肠癌（CRC）的分期、预后评估和治疗决策至关重要；然而，目前的病理评估主要集中在转移性受累上，而忽视了对非转移性淋巴结（LNs）生物学异质性的关注。在此，我们开发了一套可重复的非转移性淋巴结组织病理学分类系统，并建立了一个可解释的机器学习模型，用于 CR
摘要
淋巴结状态对于结直肠癌（CRC）的分期、预后评估和治疗决策至关重要；然而，目前的病理评估主要集中在转移性受累上，而忽视了对非转移性淋巴结（LNs）生物学异质性的关注。在此，我们开发了一套可重复的非转移性淋巴结组织病理学分类系统，并建立了一个可解释的机器学习模型，用于 CRC 患者层面的风险分层。
在这项多中心队列研究中，我们分析了来自三个独立队列中接受治愈性手术意图的 CRC 患者的非转移性淋巴结 H&E 染色全切片图像。根据增殖相关和消耗相关形态学特征的半定量评估，将非转移性淋巴结分为受刺激型、未受刺激型和消耗型亚型。利用免疫组化、转录组谱分析和临床病理相关分析探讨了这些亚型的生物学特征。将患者层面的淋巴结组织病理学亚型分布整合到多个机器学习算法中，并在内部和外部验证队列中评估了模型性能。
共纳入 754 例患者和 11,678 张淋巴结全切片图像，其中包括 10,410 个非转移性淋巴结和 1,268 个转移性淋巴结。组织病理学亚型分配显示出高观察者间可重复性（Fleiss’ κ=0.879，95% CI 0.810–0.938）。受刺激型淋巴结表现出增强的免疫激活特征，而消耗型淋巴结则表现出基质重塑、固有炎症激活和适应性免疫信号受损。这些组织病理学亚型与先前定义的分子淋巴结亚型强烈相关。在 12 种机器学习方法中，随机生存森林模型达到了最佳的预后性能，训练队列的 C-指数为 0.877，交叉验证为 0.777，时间验证为 0.744，地理验证为 0.748。由此产生的风险分层系统在独立队列和临床相关亚组中持续区分总生存期。
我们建立了一套基于 H&E 的可重复的 CRC 非转移性淋巴结组织病理学分类，并开发了一个可解释的机器学习模型，该模型捕获了淋巴结免疫 - 基质异质性，并提供了超越常规分期参数的额外预后信息。
引言
结直肠癌（CRC）是全球第三大常见恶性肿瘤，也是癌症相关死亡的主要原因之一1。淋巴结（LN）状态对于分期和预后评估至关重要，并有助于辅助治疗决策的制定 2, 3。临床上，淋巴结主要被二分为转移性或非转移性；然而，这忽视了对非转移性淋巴结内部潜在的信息性异质性及其在 CRC 风险分层中潜在相关性的关注。
2023 年，Cruz de Casas 等人首次提出了淋巴结异质性的概念，强调淋巴结在个体和疾病阶段之间在形态、免疫细胞组成和功能状态上存在差异4。基于这一概念，Guan 等人利用多组学数据确定了 CRC 非转移性淋巴结的分子亚型，并证明阴性淋巴结具有临床相关的生物学异质性5。这些发现表明，非转移性淋巴结可以细化常规淋巴结状态之外的风险分层，特别是在 I–II 期 CRC 中，此时明显的淋巴结转移不存在，且术后风险评估不理想。
将淋巴结分子亚型转化为常规临床实践仍具挑战性。与原发性肿瘤不同，接受治愈性切除的患者通常会产生多个淋巴结，这阻碍了将淋巴结层面的分子异质性整合到临床可解释的患者层面评估中。此外，对所有检索到的淋巴结实施全面的转录组谱分析存在困难，源于组织需求、成本和分析复杂性，从而限制了非转移性淋巴结分子亚型的临床适用性。相比之下，淋巴结的组织病理学检查是 CRC 常规临床工作流程的标准部分。切除淋巴结的苏木精 - 伊红（H&E）染色切片易于获取，并且病理学家可以用最小的额外 effort 进行评估。基于常规 H&E 切片引导的组织病理学亚型提供了一种实际且可扩展的方法，用于表征患者层面的非转移性淋巴结异质性。然而，目前针对非转移性淋巴结的少数组织病理学方法缺乏稳健的定量标准和可重复性，限制了其临床效用 6, 7。
人工智能在数字病理学领域已证明有价值。8, 9 具体而言，机器学习非常适合结构化临床数据和人工设计的病理组学特征，已被用于预后分层、手术决策支持和治疗获益预测 10, 11, 12，促进了将淋巴结层面的组织病理学异质性聚合为可解释的患者层面表征，用于风险分层。
在本研究中，我们利用 11,678 张 H&E 全切片图像（WSIs），建立了 CRC 中稳定且可重复的非转移性淋巴结组织病理学亚型（LyHiS），通过免疫组化（IHC）、转录组谱分析和临床病理分析表征了每个亚型的生物学和临床病理特征，并开发并验证了一个可解释的基于 H&E 的机器学习模型，用于患者层面的风险分层。我们假设这种方法将允许将非转移性淋巴结异质性纳入 CRC 风险评估中，特别是在 I–II 期，从而提供超越常规临床病理因素的额外预后信息。
章节片段
研究设计与参与者
在这项多中心队列研究中，我们纳入了山西省肿瘤医院（中国山西太原）的 CRC 患者回顾性队列，这些患者在 2015 年 1 月 1 日至 2015 年 12 月 31 日期间接受了治愈性意图手术。我们还纳入了山西省肿瘤医院（中国山西太原）患者的前瞻性外部验证队列，这些患者在 2023 年 1 月 1 日至 2024 年 12 月 31 日期间接受了治愈性手术，以及一个回顾性外部验证
数据可用性
本研究期间生成和分析的数据集，包括 WSI 数据、临床病理注释和处理后的分析数据集，可根据合理要求从通讯作者处获取。由于患者隐私保护和伦理限制，原始 WSI 文件不公开提供。本研究生成的原始测序数据集已存入中国国家基因数据科学中心（NGDC）19中国医学科学院基因组序列档案18中的
结果
整体工作流程见图 1。在这项多中心队列研究中，来自三个注册处的 963 名接受治愈性意图手术的 CRC 患者进行了筛选（补充图 S1）。在排除 209 名接受新辅助治疗或数据不完整的患者后，754 名患者被纳入最终分析。这些患者贡献了 11,678 张淋巴结 WSI：10,410 个非转移性淋巴结和 1,268 个转移性淋巴结。研究人群包括 322
讨论
在这项多中心队列研究中，我们建立了 LyHiS，一种利用常规获取的 H&E WSIs 对 CRC 非转移性淋巴结进行分类的一致且可重复的组织病理学亚型。结果显示，受刺激型、未受刺激型和消耗型亚型代表了生物学上不同的免疫和基质状态。此外，我们展示了在患者层面聚合这些亚型能够创建用于风险评估分层的可解释机器学习模型。
若干
作者贡献
YX、XG、HZ、HC、ZZ 和 YZ 构思并设计了研究。YX、XG、HZ 和 ZZ 协调了多中心数据采集。YX、XG、HZ、ZZ、YZ、XL、YL、WC、HS、SJ、JM、ZB 和 YM 协助了数据采集。YX、ZZ、WC 和 HS 进行了病理图像质量控制。ZZ、WC 和 HS 提供了病理审查。YZ 和 XL 进行了机器学习分析。ZZ、YZ 和 XL 进行了数据分析和解释。YZ、ZZ 和 XL 起草并修订了手稿。YX、XG，
数据可用性声明
本研究期间生成和分析的数据集，包括 WSI 数据、临床病理注释和处理后的分析数据集，可根据合理要求从通讯作者处获取。由于患者隐私保护和伦理限制，原始 WSI 文件不公开提供。
本研究生成的原始测序数据集已存入中国国家基因数据科学中心（NGDC），中国医学科学院
资金
本文受青年科学家国家关键研发计划（资助编号：2022YFC2505700）、国家自然科学基金（资助编号：82473407）、北京市医师科学家培养项目（资助编号：BJPSTP-2024-02）、中国国家关键研发计划（资助编号：2023YFC3403804）以及中国医学科学院医学科学创新基金（资助编号：2025-I2M-C&T-B-048）支持。
伦理批准与参与同意
本研究经国家癌症中心/癌症医院、中国医学科学院&北京协和医学院机构审查委员会（IRB）（批准编号：24/571–4851）评估和批准，山西省肿瘤医院、中国医学科学院&北京协和医学院（批准编号：KY2023166）。患者信息已匿名化以保护个人信息。每位患者均提供了书面知情同意，用于临床
生成式人工智能和人工智能辅助技术的使用
在准备本手稿期间，作者使用了 ChatGPT（OpenAI, GPT-5.4 Thinking）来提高手稿的可读性和语言，包括引言、方法、结果、讨论和图例。该工具仅用于语言润色、风格编辑以及清晰度和流畅度的改进，而未用于数据分析、数据解释、生成科学见解或得出科学结论。所有输出均经过批判性审查、修订，
张震|张月阳|刘旭|李亚芳|崔伟|苏虹|焦帅|马建|白中原|孟永胜|陈海鹏|周海涛|管旭|席延峰
中国医学科学院肿瘤医院山西医院/山西省肿瘤医院，山西医科大学附属医院病理科，中国太原
