《Advanced Science》：Multitask Deep Learning Model for Predicting Lymph Node Metastasis and Disease-Free Survival From Cytology Images in Bladder Cancer: A Multicenter Study With Pan-Cytology Validation
编辑推荐：
准确预测淋巴结转移（LNM）和生存结局对膀胱癌个体化治疗至关重要，但临床上仍具挑战性。本研究旨在开发一种基于细胞学的多任务预测网络（CytoNet），以同时预测膀胱癌患者的LNM和无病生存（DFS），并评估其在宫颈癌和甲状腺癌中的泛化能力。本研究纳入多中心队列
准确预测淋巴结转移（LNM）和生存结局对膀胱癌个体化治疗至关重要，但临床上仍具挑战性。本研究旨在开发一种基于细胞学的多任务预测网络（CytoNet），以同时预测膀胱癌患者的LNM和无病生存（DFS），并评估其在宫颈癌和甲状腺癌中的泛化能力。本研究纳入多中心队列共5273例患者，包括膀胱癌（n=1134）、宫颈癌（n=598）和甲状腺癌（n=3541）。CytoNet通过三阶段流程构建，包括自监督预训练、监督微调和多任务预测。在膀胱癌中，CytoNet在所有队列中预测LNM的曲线下面积（AUC）为0.831-0.881，预测DFS的C指数（C index）为0.680-0.710，优于单任务模型和标准影像学评估。在宫颈癌中，CytoNet在LNM预测（AUC 0.847-0.862）和DFS预测（C index 0.690-0.709）方面均表现稳健；在甲状腺癌中，其LNM预测AUC为0.819-0.855。总之，CytoNet是一种可靠工具，可从多种癌症的细胞病理学图像中预测LNM和预后，显示出作为当前临床决策有价值辅助手段的潜力。仍需进一步前瞻性验证以评估其临床效用。
研究背景与问题：膀胱癌是全球第九常见癌症，也是泌尿系统常见恶性肿瘤之一，尽管多模式治疗不断进展，复发和转移率仍较高。淋巴结转移（LNM）是膀胱癌最常见转移途径，伴淋巴结受累者预后显著更差，因此术前准确预测LNM对优化个体化治疗决策至关重要。目前术前LNM评估主要依赖计算机断层扫描（CT）和磁共振成像（MRI），但其对微转移或反应性淋巴结增大的鉴别敏感性和特异性有限，可能导致治疗不足或过度治疗；且确诊仍依赖术后病理，延迟了术前规划。尿细胞学无创、经济且常规使用，可收集尿路脱落肿瘤细胞，其形态和空间结构可能反映肿瘤侵袭性，但既有细胞学深度学习模型多聚焦癌症筛查或局部分期，对转移风险和长期预后挖掘不足；传统模型多为单任务，未充分利用任务间互补信息。多任务深度学习可共享特征表征、提高数据利用效率和模型泛化性。研究人员因此开发细胞学多任务预测网络（CytoNet），基于细胞学图像同时预测膀胱癌LNM和DFS，并在多中心膀胱癌队列中验证，进一步在宫颈癌和甲状腺癌中开展泛细胞学验证。该研究发表于《Advanced Science》。意义在于提供术前细胞学来源的转移风险信息，辅助CT/MRI评估和个体化决策，但不替代术后组织病理学判断；结论提示CytoNet在膀胱癌、宫颈癌和甲状腺癌中具有较准确且可泛化的LNM和生存结局预测能力，结合可解释性分析的风险分层可为临床实践和个体化癌症管理提供工具。
关键技术方法：研究采用三阶段流程：首先以DINO框架在超过100000张未标注细胞学图像（尿液、宫颈标本和甲状腺细针穿刺）上自监督预训练RegNetY骨干；其次加入卷积块注意力模块（CBAM），并以六类细胞学斑块标注进行监督微调；最后采用Top-N Feature（TNF）注意力机制聚合显著斑块为切片级特征，通过双分支在加权多任务损失下联合优化LNM和DFS预测。膀胱癌多中心队列来自中山大学附属医院体系（SYSMH、第三附属医院、第五附属医院、Shenshan Central Hospital），并设非中山大学附属医院独立外部测试队列（IETC：南方医科大学南方医院、广州市第一人民医院、汕头大学医学院第一附属医院）；宫颈癌和甲状腺癌队列来自SYSMH。评估采用受试者工作特征分析、AUC、C index、校准曲线、决策曲线、净重分类改善（NRI）、Cox回归、Kaplan-Meier分析及均匀流形近似与投影（UMAP）、类激活映射（CAM）、SHapley Additive exPlanations（SHAP）和盲法读者研究。
研究结果：3.1 Participant Characteristics：五队列1134例膀胱癌患者中975例（86.0%）为男性，中位年龄66岁（IQR 59-73），病理确诊LNM患病率19.2%-22.5%，DFS中位随访20-31个月，OS中位随访22-35个月；宫颈癌队列中位年龄52岁（IQR 45-58），LNM率C-TC 22.0%、C-VC 22.3%，DFS和OS中位随访分别为37和38个月；甲状腺癌队列中位年龄42岁（IQR 33-52），女性占76.1%（n=2693），LNM率T-TC 52.2%、T-VC 53.8%，无随访数据。结论为各队列LNM患病率具有可比性，支持模型开发与验证。3.2 Performance of the Model for Predicting LNM in Bladder Cancer：CytoNet预测LNM的AUC在TC为0.881、IVC为0.858、EVC1为0.831、EVC2为0.845；校准曲线和决策曲线显示良好一致性与临床效用，风险评分可区分LNM患者；其综合性能优于标准影像学评估，NRI显著，淋巴结阴性和阳性亚组均优于影像，不同扫描仪AUC为0.814-0.911，新辅助治疗亚组亦优于影像；单任务模型AUC为0.776-0.825，CytoNet提高至0.831-0.881。LASSO回归筛选临床肿瘤分期、临床淋巴结分期和影像淋巴结大小为LNM相关变量，整合模型AUC达0.890，高于临床模型0.748和CytoNet单独0.858（DeLong p<0.001）。盲法读者研究中，CytoNet单独准确率0.807、敏感性0.757、特异性0.823；低年资影像医师在CytoNet辅助后准确率由0.616升至0.633、敏感性由0.441升至0.559，高年资医师准确率由0.716升至0.731、敏感性由0.577升至0.649，特异性仅轻微变化。结论为CytoNet可提高术前LNM评估并与影像医师判断形成互补。3.3 Performance of the Model for Predicting Prognosis in Bladder Cancer：CytoNet预测DFS的C index为0.680-0.710，OS为0.644-0.706，1-5年时间依赖C index稳定；以TC中位预测生存概率0.568分层后，高危组DFS和OS均显著更差（log-rank p<0.01）；DFS预测优于单任务模型（0.622-0.655）。多变量Cox分析显示CytoNet生成生存概率为DFS独立相关因素（TC HR 0.38，95% CI 0.28-0.53；联合验证队列HR 0.40，95% CI 0.30-0.54，均p<0.001）；整合Cox模型（年龄、临床T分期、美国癌症联合委员会（AJCC）分期联合CytoNet）C index最高，CytoNet次之，临床Cox模型较低。AJCC III期探索性分析中，class 1（n=100）未见辅助治疗显著DFS或OS获益，classes 2和3（n=202）及class 4（n=112）显示显著获益（log-rank p<0.05），但校正后交互检验未达显著（DFS p=0.439，OS p=0.385），应视为探索性。结论为CytoNet可提供独立预后信息并支持风险分层。3.4 Performance of the Model for Predicting LNM and Prognosis in IETC：锁定CytoNet不重训、不调参直接用于IETC，LNM预测AUC 0.833（95% CI 0.742-0.924），准确率0.814、敏感性0.783、特异性0.823、阳性预测值（PPV）0.562、阴性预测值（NPV）0.929，优于影像学并显示重分类改善，校准和决策曲线良好；DFS的C index 0.704（95% CI 0.633-0.775），OS 0.664（95% CI 0.566-0.762），风险分层后DFS和OS差异显著（log-rank p=0.0051和0.033）。结论为模型跨机构具有可迁移性。3.5 Performance of the Model for Predicting LNM and Prognosis in Cervical and Thyroid Cancers：宫颈癌C-TC和C-VC的LNM预测AUC分别为0.862和0.847，甲状腺癌T-TC和T-VC分别为0.855和0.819；风险评分可区分LNM患者，校准和决策曲线良好，NRI为正且多指标优于标准影像学，Sankey分析显示与病理诊断一致性较好；宫颈癌中高危组生存结局更差。结论为泛细胞学框架可推广，宫颈癌中同时具预后分层价值。3.6 Interpretability Analysis of the Model：UMAP显示LNM阳性和阴性患者的高维细胞病理特征呈分离聚类；CAM热图显示阳性病例模型更关注高核质比、深染核、粗染色质、不规则核膜及孤立或松散排列细胞，阴性病例更关注规则核形态、均匀染色质和紧密乳头状细胞簇；SHAP分析显示CytoNet生成的LNM风险评分和生存概率为最重要贡献因素。结论为模型决策与侵袭相关细胞形态特征相关。
讨论部分总结：讨论指出CytoNet为利用跨癌种细胞病理图像评估多任务框架预测LNM和预后的研究；其跨癌种适用可能与侵袭性肿瘤共享细胞形态标志有关。CytoNet不替代术后病理，而在于术前病理淋巴结状态不可及时提供细胞学来源的转移风险信息，补充CT/MRI评估，支持淋巴结清扫、围手术期治疗和随访强度决策；整合模型提示细胞学信息与临床影像特征互补；新辅助治疗亚组中CytoNet预测LNM准确率为80.8%，高于传统影像学60.6%。与既往多为单任务、基于CT/MRI、组织病理或临床变量的AI模型相比，CytoNet具有多任务、读者辅助评估和跨膀胱癌、宫颈癌、甲状腺癌验证的特点。DFS预测C index为中等，但尚无公认临床有用阈值，故其定位为补充性风险分层和决策支持工具而非独立预后决定因素；AJCC III期辅助治疗分层结果应视为探索性。局限包括回顾性设计可能导致选择偏倚、EVC2和IETC样本量较小、其他癌种尚需探索、端到端多模态融合待研究、种族和民族变量未常规记录、模型识别形态特征与分子通路关系尚不清楚。
研究结论翻译：总之，CytoNet作为一种基于细胞学图像的多任务预测网络，可在膀胱癌、宫颈癌和甲状腺癌中提供准确且可泛化的LNM和生存结局预测。该模型结合可解释性分析的临床风险分层，为临床实践和个体化癌症管理提供了有用工具。
