基于定制Transformer的多中心研究：從肺腺癌組織學(xué)全切片圖像預(yù)測淋巴結(jié)轉(zhuǎn)移
《npj Precision Oncology》：Customized transformer for lymph node metastasis prediction from lung adenocarcinoma histology in a multicentric study
【字體：
大
中
小
】
時間：2025年12月04日
來源：npj Precision Oncology 8
編輯推薦：
為解決肺腺癌(LUAD)淋巴結(jié)轉(zhuǎn)移(LNM)術(shù)前評估難題，研究人員開展了一項多中心研究，提出定制Transformer多示例學(xué)習(xí)框架CTMIL。該模型直接利用原發(fā)腫瘤H&E染色全切片圖像(WSI)進行LNM預(yù)測，在內(nèi)部驗證和外部測試中AUROC最高達0.8640，顯著優(yōu)于TransMIL和AMIL等基線方法。研究表明組織學(xué)圖像蘊含淋巴結(jié)轉(zhuǎn)移預(yù)測信號，為pNx患者精準(zhǔn)分期提供新思路。
肺腺癌作為非小細(xì)胞肺癌中最常見的亞型，其淋巴結(jié)轉(zhuǎn)移狀態(tài)是影響患者預(yù)后的關(guān)鍵因素。據(jù)統(tǒng)計，局部肺腺癌患者的五年生存率可達87%，而一旦發(fā)生區(qū)域淋巴結(jié)轉(zhuǎn)移，生存率將驟降至36%。然而臨床實踐中，約有6-11%的術(shù)后患者因采樣限制無法確定淋巴結(jié)狀態(tài)（pNx），這為精準(zhǔn)分期和治療決策帶來巨大挑戰(zhàn)。
目前淋巴結(jié)轉(zhuǎn)移預(yù)測主要依賴影像學(xué)（如PET/CT）和分子標(biāo)志物檢測，但這些方法難以捕捉腫瘤組織學(xué)中蘊含的形態(tài)學(xué)特征。病理學(xué)研究已發(fā)現(xiàn)微乳頭狀、實體型等侵襲性生長模式與淋巴結(jié)轉(zhuǎn)移風(fēng)險密切相關(guān)，但如何系統(tǒng)性提取這些形態(tài)學(xué)特征并構(gòu)建預(yù)測模型仍是未解難題。常規(guī)計算方法多采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）基礎(chǔ)上的多示例學(xué)習(xí)（MIL），但在處理全切片圖像（WSI）時難以有效建模斑塊間的長程依賴關(guān)系。
針對這一瓶頸，武漢大學(xué)人民醫(yī)院等機構(gòu)的研究團隊在《npj Precision Oncology》發(fā)表了題為"Customized transformer for lymph node metastasis prediction from lung adenocarcinoma histology in a multicentric study"的研究論文。該研究創(chuàng)新性地提出CTMIL（定制Transformer多示例學(xué)習(xí)）框架，通過融合空間編碼、更深層Transformer架構(gòu)和斑塊級輔助監(jiān)督機制，實現(xiàn)了從原發(fā)肺腺癌組織學(xué)圖像直接預(yù)測淋巴結(jié)轉(zhuǎn)移的突破。
研究團隊采用多中心回顧性設(shè)計，納入TCGA隊列（400例）作為訓(xùn)練驗證集，武漢大學(xué)人民醫(yī)院（RM隊列，164例）和中南大學(xué)湘雅三醫(yī)院（XY隊列，149例）作為外部測試集。技術(shù)路線包含三個關(guān)鍵環(huán)節(jié)：首先基于InceptionResNetV2開發(fā)腫瘤斑塊檢測模型（準(zhǔn)確率0.9892）；然后分別使用ResNet50、InceptionResNetV2和UNI三種骨干網(wǎng)絡(luò)提取斑塊特征；最后構(gòu)建CTMIL框架進行淋巴結(jié)轉(zhuǎn)移預(yù)測。該框架將Transformer編碼器從2層增至6層，引入位置編碼，并采用雙目標(biāo)損失函數(shù)聯(lián)合優(yōu)化幻燈片級和斑塊級預(yù)測。
研究結(jié)果顯示，基于UNI特征的CTMIL模型（UNI_CTMIL）表現(xiàn)最優(yōu)，在驗證集、XY隊列和RM隊列的AUROC分別達到0.8640、0.8216和0.8090，顯著優(yōu)于注意力機制MIL（AMIL）和原始TransMIL框架。消融實驗證實，更深層Transformer結(jié)構(gòu)和輔助監(jiān)督機制分別貢獻了約15%和10%的性能提升。值得注意的是，集成三個CTMIL模型的Ensemble_CTMIL在外部測試中AUROC進一步提升至0.8407，展現(xiàn)出良好的泛化能力。
通過系統(tǒng)比較五種預(yù)訓(xùn)練CNN架構(gòu)，研究發(fā)現(xiàn)InceptionResNetV2在測試集上獲得最高準(zhǔn)確率（0.9892）和AUC（0.9997），被選為下游分析的斑塊分類器。
在所有測試場景中，CTMIL系列模型均穩(wěn)定優(yōu)于AMIL和傳統(tǒng)基線方法。特別是在RM隊列中，UNI_CTMIL的AUROC（0.8090）較UNI_AMIL（0.6697）提升超過13個百分點，證明Transformer架構(gòu)在捕獲復(fù)雜形態(tài)模式方面的優(yōu)勢。
逐步去除集成策略、輔助監(jiān)督和深層Transformer組件后，模型性能呈現(xiàn)階梯式下降，驗證了各創(chuàng)新點的有效性。在RM隊列中，無輔助監(jiān)督的變體雖取得最高AUROC（0.8338），但UNI_CTMIL仍顯著優(yōu)于原始TransMIL（0.7353）。
通過可視化注意力熱圖和斑塊分類得分，研究發(fā)現(xiàn)模型重點關(guān)注區(qū)域與已知轉(zhuǎn)移特征高度吻合。對300個斑塊的定量分析顯示，LNM陽性組更頻繁出現(xiàn)高腫瘤細(xì)胞密度（>60%）、低分化形態(tài)、微乳頭狀/實體型生長模式以及黏液成分（P<0.001）。桑基圖進一步揭示，LNM陽性病例特征路徑主要表現(xiàn)為實體型/腺泡型/微乳頭狀模式、低分化、黏液陽性和高腫瘤細(xì)胞占比的組合。
討論部分指出，這是首個針對肺腺癌的多中心WSI淋巴結(jié)轉(zhuǎn)移預(yù)測研究，突破性地將Transformer架構(gòu)應(yīng)用于該任務(wù)。與傳統(tǒng)方法相比，CTMIL能更有效捕捉腫瘤異質(zhì)性和長程空間依賴，其注意力機制可定位到與轉(zhuǎn)移潛能相關(guān)的形態(tài)學(xué)特征，如微乳頭狀結(jié)構(gòu)、實體型區(qū)域等。這對于臨床中淋巴結(jié)評估不完整的病例尤其有價值，可能為pNx患者提供額外的風(fēng)險分層依據(jù)。
研究同時承認(rèn)存在若干局限性：首先，由于各隊列均完成淋巴結(jié)清掃，模型在pNx人群的泛化性仍需驗證；其次，回顧性設(shè)計未能完全模擬術(shù)前診斷場景（如小活檢標(biāo)本）；此外，單張WSI可能無法充分代表瘤內(nèi)異質(zhì)性。未來工作將探索多模態(tài)融合（影像學(xué)、基因組學(xué)）和多幻燈片聚合策略。
該研究的核心價值在于證實了組織病理學(xué)圖像本身蘊含豐富的淋巴結(jié)轉(zhuǎn)移預(yù)測信息，并通過定制化Transformer架構(gòu)實現(xiàn)高效提取。CTMIL框架為計算病理學(xué)領(lǐng)域提供了新范式，不僅適用于淋巴結(jié)轉(zhuǎn)移預(yù)測，未來可擴展至免疫治療反應(yīng)、復(fù)發(fā)風(fēng)險等更復(fù)雜的終點預(yù)測任務(wù)，推動精準(zhǔn)腫瘤學(xué)向多模態(tài)、可解釋方向發(fā)展。
生物通微信公眾號
生物通新浪微博
- 搜索
- 國際
- 國內(nèi)
- 人物
- 產(chǎn)業(yè)
- 熱點
- 科普
今日動態(tài) |
人才市場 |
新技術(shù)專欄 |
中國科學(xué)人 |
云展臺 |
BioHot |
云講堂直播 |
會展中心 |
特價專欄 |
技術(shù)快訊 |
免費試用
版權(quán)所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
聯(lián)系信箱：
粵ICP備09063491號
