基于人工智能的结直肠癌肿瘤出芽评估框架及其分子异质性分析

《Journal of Translational Medicine》：A semi-supervised deep learning framework (TBMNet) for automatic tumor budding quantification: real-world validation and clinical utility in stage II colorectal cancer

　　

摘要

背景

肿瘤出芽（TB）是结直肠癌（CRC）中一项具有重要临床意义的预后标志物，但其评估仍具有主观性，且其生物学基础尚未被完全阐明。我们开发了一种基于人工智能（AI）的TB评估框架，并通过空间转录组学分析探讨了不同TB表型的分子特征。

方法

本研究开展了一项包含256例结直肠癌患者的回顾性双队列研究。我们开发了一个半监督深度学习框架（TBMNet），用于从全切片图像中自动量化肿瘤出芽，并生成AI衍生肿瘤出芽（AI-TB）评分。利用生存分析评估了AI-TB评分在II期结直肠癌中的预后及风险分层价值，并进行交互分析以检验AI-TB是否修饰了与化疗相关的结局。为表征不同TB表型的分子特征，独立分析了外部公共转录组学数据集和单细胞RNA测序（scRNA-seq）数据集。关键发现随后通过免疫组化（IHC）在临床组织样本中进行了验证，并选取的候选基因通过探索性RT-qPCR进行了进一步评估。

结果

TBMNet在有限标注条件下实现了优越的TB检测性能，将mAP@50从0.535提高至0.682。自动分级与病理学家评估显示出高度一致性，内部队列和外部队列的准确率分别为89.7%和87.5%。在探索性II期结直肠癌分析中，高AI-TB状态与较差的无复发生存相关，但AI-TB与化疗的交互未达统计学显著性（HR = 0.702；95% CI：0.420–1.173；P = 0.188）。这些发现支持AI-TB评分作为探索性风险分层标志物，但未确立其为化疗获益的预测性生物标志物。分子分析揭示了TB表型之间存在显著异质性：TB1表现成纤维细胞/内皮细胞富集，Wnt（Wingless/Integrated）通路和缺氧通路激活；TB2显示髓系细胞积累，免疫活性受抑且神经信号增强；而TB3表现为上皮细胞为主、炎症激活和代谢受抑。免疫组化分析证实了这些TB亚组的独特分子特征。探索性RT-qPCR进一步支持了MDK在高TB分级中的上调，而REG1A和SRPX2在mRNA水平上未显示统计学显著的总体差异。

结论

我们开发并验证了一种基于AI的TB评估系统，用于结直肠癌中TB的自动化、可重复评估。AI-TB评分在II期结直肠癌中显示出探索性预后价值，同时分子分析（经免疫组化和探索性RT-qPCR验证支持）揭示了不同TB表型之间存在独特的微环境特征，包括高TB分级中MDK的上调。然而，AI-TB与化疗交互的无统计学显著性结果不支持将AI-TB作为化疗获益的预测性生物标志物。这些发现强调了TB是一个生物学异质性过程，将组织病理学表型与肿瘤微环境状态联系起来。