《Lung Cancer》：AI analysis of elastin staining sections reveals the biological implications of cancer-related fibrosis in small-sized lung adenocarcinomas
编辑推荐：
目的：病理学的“浸润”影响肺腺癌（LUAD）患者预后；然而，由于非贴壁性腺癌（NLA）与癌相关纤维化（CRF）错综复杂地混合在一起，且CRF包含浸润性与非浸润性成分，诊断常伴随较高的观察者间变异性。在本研究中，为实现对瘤内异质性较高区域的定量且可重复的诊断，研
目的：病理学的“浸润”影响肺腺癌（LUAD）患者预后；然而，由于非贴壁性腺癌（NLA）与癌相关纤维化（CRF）错综复杂地混合在一起，且CRF包含浸润性与非浸润性成分，诊断常伴随较高的观察者间变异性。在本研究中，为实现对瘤内异质性较高区域的定量且可重复的诊断，研究人员提出了一种基于人工智能（AI）的分析方法以区分NLA与CRF。该方法可降低预后预测中的观察者间变异性，并有助于探讨NLA与CRF不同的生物学意义。方法：为明确肺实质的生理结构，研究人员使用弹性蛋白染色标本。在第一个队列（n＝35）中分别标注CRF与NLA并用于监督学习。随后AI分析第二个队列（n＝188）中所有非贴壁区域；研究人员继而考察临床病理特征与AI分析结果之间的关系。结果：对于第一个队列，平均准确率为89.2%。对于第二个队列，AI分析中CRF比率高（＞50%）的组在野口（Noguchi）分类中与B–C型（p＜0.001）、WHO分级系统中1–2级（p＝0.018）呈统计学相关，且5年无病生存（DFS）率更高（85.7% vs. 69.4%，p＝0.006）。在CRF比率低（n＝111）的组中，CRF的中心性分布与较低的DFS率相关（41.2% vs. 74.5%，p＝0.001）。结论：用于区分NLA与CRF的AI引擎实现了LUAD预后预测并降低了观察者间变异性。其亦可用于探讨NLA与CRF的生物学意义。
研究背景方面，肺腺癌（LUAD）中小尺寸肿瘤的病理学“浸润”判定直接关系到患者预后，然而现行诊断面临显著困扰：非贴壁性腺癌（NLA，即非lepidic生长模式的肿瘤成分）与癌相关纤维化（CRF，包含肺泡塌陷、单纯纤维化及肌成纤维细胞增殖等成分的病变）在组织中错综复杂地交织，且CRF本身同时涵盖浸润性与非浸润性组分，导致不同病理医师间的诊断观察者间变异性居高不下。现有WHO分级系统主要关注肿瘤细胞生长模式而未充分考虑CRF的预后影响，改良瘢痕分级则忽视肿瘤细胞作用，且肌成纤维细胞增殖作为唯一浸润性CRF标志与非浸润性成分形态高度相似，难以客观区分。鉴于野口（Noguchi）分类中B、C、D型预后差异显著，研究人员假设NLA与CRF各自具有独立的预后影响，但在高瘤内异质性背景下人工定量分离二者极为困难。因此，研究人员开展本研究，旨在开发基于人工智能（AI）的引擎以区分NLA与CRF，通过弹性蛋白（EVG）染色凸显形态差异建立可靠金标准，实现全非贴壁区域的定量可重复分析，从而评估LUAD“浸润性”并揭示两成分的生物学意义，该研究发表于《Lung Cancer》。
为开展研究，研究人员主要采用以下关键技术方法：研究纳入日本筑波大学医院的二个回顾性队列，第一队列35例直径小于2 cm的LUAD用于监督学习标注，第二队列188例直径小于3 cm的LUAD用于验证AI引擎；使用EVG染色切片经Nanozoomer扫描获取40×全玻片图像（WSI），由两名病理医师在ASAP平台进行互斥标注区分NLA与CRF并排除诊断分歧区域；算法采用未预训练的Resnet50进行二分类监督学习，优化器为Adam，损失函数交叉熵，学习率采用CosineAnnealingWarmupRestarts调度；对第二队列全非贴壁区域裁剪224×224像素补丁进行AI预测并重组为双色分析图，计算CRF比率与空间分布模式（中心性CRF定义），统计学分析采用χ2检验、Kaplan–Meier法及Cox比例风险模型。
研究结果如下：
Developing an AI to distinguish between NLA and CRF：研究人员对第一队列35例进行NLA与CRF互斥标注并裁剪29572个补丁训练Resnet50，测试集最终准确率为NLA 86.2%、CRF 92.2%，验证集为NLA 89.5%、CRF 94.3%，平均准确率89.2%，表明模型无过拟合且EVG染色下二者形态差异可被有效学习。
AI analysis of whole non-lepidic areas in the second cohort：研究人员将AI应用于第二队列188例的全非托垫区域，每例补丁数97至7184（均值2023）。在形态单一区域，AI与病理医师的逐例一致性为NLA 85.5%、CRF 81.2%；在二者错综混合的高异质性区域（174例），63.8%被AI判为CRF，21.3%判为NLA，14.9%混合，显示AI倾向于将复杂混合区解释为CRF，Grad-CAM显示AI关注胶原及弹性纤维增殖区进行CRF分类。
Examination of the relationship between AI analysis and prognosis：基于CRF比率ROC曲线AUC为0.614，以50%为截值分为低CRF组（n=111）与高CRF组（n=77）。高CRF组与Noguchi B–C型（p＜0.001）、WHO 1–2级（p=0.018）显著相关，5年无病生存（DFS）率更高（85.7% vs. 69.4%，p=0.006），多因素Cox分析证实低CRF比率是独立预后因子（HR 2.068，p=0.041）。在低CRF组内，CRF中心分布者DFS显著更低（41.2% vs. 74.5%，p=0.001），高CRF组无此差异。
讨论部分总结：研究人员指出当前WHO分级诊断浸润依赖识别多种NLA亚型及肌成纤维细胞增殖，但因CRF中非浸润成分与其形态混淆导致高观察者间变异性。本研究通过将肌成纤维细胞增殖、单纯纤维化、肺泡塌陷统归为CRF，开发AI实现定量可重复的比例与分布分析以揭示不同预后影响。不同于以往基于WHO亚型（本身具高变异性）作金标准的AI研究，本研究利用EVG染色在无非混合区域建立低变异性标注，取得较高准确率。AI在第二队列单一形态区一致性约83.4%，对高异质性混合区倾向判为CRF，Grad-CAM提示AI权重偏向纤维增殖特征。高CRF比率关联Noguchi B–C、WHO低级别及良好预后，成为独立预后因子，提示CRF在全非贴壁区相较NLA具相对抑瘤意义（尽管含浸润性肌成纤维增殖）。低CRF组中CRF中心化预示差预后，研究人员据此提出进展假说：早期CRF主导预后较好，随肿瘤增长NLA取代CRF恶化预后，最终NLA包裹中心CRF致预后更差，AI可无创预测并阐明生物学意义。局限在于未纳入lepidic区域作学习数据集，且为单中心研究需多中心验证。
结论部分原文翻译：用于区分非贴壁性腺癌（NLA）与癌相关纤维化（CRF）的该人工智能诊断工具可使病理医师进行评估时具有更高的可重复性。据研究人员所知，这是首篇报道利用AI引擎对LUAD中的NLA与CRF二者进行客观评估，并表明AI分析指示各成分不同生物学意义的报告。虽然在AI分析被视为更广泛采纳的通用病理标准之前需要进一步外部验证，但研究人员建议在全球共享本研究中的AI分析作为通用病理标准，以未来探讨NLA与CRF如何在LUAD浸润中发挥作用。
需要我帮你把这篇论文解读按照期刊综述的格式进一步整理成结构化的学术笔记吗？
