超越单一比值：一种自适应深度学习方法分析肿瘤间质百分比分布对卵巢癌的预后价值

《The Journal of Pathology》：Beyond a single ratio: an adaptable deep learning approach to analyze the prognostic value of TSP distribution in ovarian cancer

　　

肿瘤-间质百分比（TSP）已被提出作为卵巢癌的预后因素。当由病理学家手动评估时，TSP可能存在显著的评估者间变异性。近年来已开发出用于TSP测定的自动化方法。现有方法通常为切片中相对较小的感兴趣区域生成单一的TSP值，这通过区域选择引入了偏倚，并可能忽略了整个组织学检查区域内TSP的分布情况。本研究提出了一种自适应的深度学习流程，采用少样本学习方法高效地针对卵巢癌组织分析进行微调，仅需最少的新训练注释。与计算单一TSP值不同，该方法量化了整个肿瘤区域的全局TSP分布，从而捕获了其空间异质性。为了识别预后生物标志物，研究人员系统性地评估了一组描述98例患者中该分布的指标。分析显示，TSP分布的均值-中位数差值（MMD）（风险比HR=0.60，95%置信区间CI=0.46-0.79，p<0.001）作为一种定量不对称性度量，以及平均TSP（HR=0.65，95% CI=0.43-0.97，p=0.03），是与无复发生存期显著相关的生物标志物。通过成功地将该流程应用于卵巢癌，研究人员证明，对整个TSP分布的自动化分析能够提供优于手动评估的显著预后信息。TSP的空间异质性是一个关键的预后因素。? 2026 Fraunhofer IIS and The Author(s)。《The Journal of Pathology》由John Wiley & Sons Ltd代表大不列颠及爱尔兰病理学会出版。

研究背景与问题

肿瘤-间质百分比（TSP）是多个癌种中已确认的预后生物标志物，较高的间质比例与较差的患者结局显著相关。然而，传统TSP评估依赖病理学家手动完成，存在显著的观察者内和观察者间变异性。尽管已有基于深度学习的自动化分割和TSP计算方法，但这些方法通常局限于分析单个选定的感兴趣区域（ROI）或计算整个肿瘤区域的单一TSP值，忽视了TSP在肿瘤组织中的空间异质性。此外，现有模型多针对特定癌种开发，缺乏跨癌种的可迁移性和适应性。因此，亟需一种既能克服主观性、又能全面捕捉TSP空间分布特征的自适应分析方法，以发现更优的预后生物标志物。

研究目的与意义

本研究旨在提出一种新颖的自适应深度学习框架，将分析从单一TSP比值扩展至整个肿瘤区域的TSP分布，并通过系统性评估多种分布统计指标，探索比传统单点估计更具预后价值的新型生物标志物。研究证实，TSP分布的不对称性指标——均值-中位数差值（MMD）是无复发生存期（RFS）的独立预测因子，揭示了空间异质性在肿瘤预后中的关键作用，为数字病理学中的生物标志物发现提供了全新视角和方法论基础。

关键技术方法

1. 1.
   少样本学习与模型自适应：采用基于原型网络（prototypical network）的深度学习架构，以EfficientNet B0为骨干网络。该模型最初使用结直肠癌数据进行训练，随后通过两名病理学家（一名主治医师ME、一名住院医师CM）在10张全切片图像（WSI）上进行迭代式原型精调，仅需少量新注释即可适配卵巢癌组织分割，避免了完全重新训练。
2. 2.
   全切片TSP分布量化：将所有WSI网格化为边长500μm的非重叠方形切片（tile），排除组织含量低于1%的切片。定义包含至少10%肿瘤上皮的切片为肿瘤区域，并在每个切片内按公式（总间质面积/（肿瘤上皮面积+总间质面积））计算局部TSP，从而为每位患者生成反映肿瘤微环境异质性的TSP值分布。
3. 3.
   生物标志物推导：从每位患者的TSP分布中提取六项统计特征作为候选生物标志物：集中趋势（平均TSP、中位TSP）、离散度（变异系数CV、四分位距IQR）和不对称性（偏度、均值-中位数差值MMD）。
4. 4.
   生存分析与验证：采用Kaplan-Meier曲线和对数秩检验进行单变量分析，Benjamini-Hochberg校正多重比较。多变量Cox比例风险回归纳入年龄、残余病灶（R0/R+）、淋巴结转移（N0/N1）和T分期等协变量，并使用Harrell的乐观校正自助法（200次重采样）评估增量预后价值，指标包括一致性指数（C-index）、时间依赖性AUC和综合Brier评分（IBS）。

研究结果

单变量生存分析

经Benjamini-Hochberg校正后，在对数秩检验中，MMD是唯一与总生存期（OS，p=0.004）和无复发生存期（RFS，p=0.004）均保持显著关联的生物标志物。其他指标如平均TSP、中位TSP、CV、IQR和偏度在校正后均未达到统计学显著性。

多变量Cox回归分析

因候选生物标志物间存在高度相关性，中位TSP、CV和偏度被排除。调整临床协变量后，MMD仍是RFS的独立预测因子（HR=0.60，95% CI=0.46-0.79，p<0.001），但对OS失去显著性。平均TSP也显示出对RFS的独立预测价值（HR=0.65，95% CI=0.43-0.97，p=0.03），对OS则无显著关联。

增量预后价值

乐观校正自助法结果显示，平均TSP和IQR未能为临床基线模型增加增量价值。而加入MMD后，模型在C-index（Δ=0.02）、时间AUC（Δ=0.04）和IBS（Δ=0.01）上均有改善，表明MMD可提供超越标准临床病理因素的额外预后信息。

形态学关联

定性形态学评估揭示，高MMD组的肿瘤呈现致密、紧凑的肿瘤结构，间质浸润较少；低MMD组则表现为更弥漫、浸润性的生长模式，肿瘤细胞簇间散布大量间质。这表明MMD可作为肿瘤致密性和生长模式的替代指标，而这些正是肿瘤侵袭性的既定特征。

讨论与结论

讨论部分指出，MMD作为TSP分布不对称性的定量指标，在单变量分析中对OS和RFS均有显著预测力，在多变量模型中仍对RFS保持独立显著性，并能提供高于临床基线的增量价值。这与既往研究中手动评估TSP与OS或PFS关联的部分结论一致，但本研究的创新在于发现了分布异质性的独特预后作用。形态学分析进一步支持MMD反映肿瘤紧凑度和生长模式的假设，高MMD对应更致密的肿瘤结构，可能与更好的预后相关（因HR<1）。研究强调，该方法的核心优势在于底层深度学习模型的高度可迁移性，无需从头开发即可拓展至其他癌种或病理问题。结论部分重申，研究通过少样本学习成功将原用于结直肠癌的分割模型适配至高浆液性卵巢癌，获得经病理学家验证的高质量分割模型。更重要的是，MMD被确认为对OS和RFS均有统计学显著意义的候选预后生物标志物，对应致密紧凑的肿瘤形态。这些发现强调了分析全肿瘤景观中特征异质性的关键重要性，揭示了传统单值评估所遗漏的预后信息，并为未来数字病理学生物标志物发现提供了基于MIKAIA软件（Fraunhofer IIS）的强大自适应工具。