直击三大实体瘤！上海交大团队发布深度学习系统，提高癌症生存预测准确性
内容提要
世界卫生组织报告显示，非传染性疾病如癌症已成为全球头号杀手。中国国家癌症中心数据显示，2022年中国新发癌症病例约482.47万，死亡病例约257.42万。研究人员开发了深度学习系统，通过病理学图像预测癌症患者的肿瘤微环境信息，实现精确的癌症预后。该系统在结直肠癌、乳腺癌和皮肤鳞状细胞癌中表现出色。这一研究为癌症预后提供了新的方法和工具。
延伸解读
技术突破：从基因表达到组织图像的跨越
传统空间转录组学（ST）能精细刻画肿瘤微环境，但成本高、周期长，难以大规模应用。本研究开发的IGI-DL模型，通过分析常规H&E染色组织图像，预测空间基因表达，从而间接描绘肿瘤微环境。这相当于用低成本、易获取的病理图像替代昂贵的ST技术，为在大型队列中开展预后研究提供了新思路。
性能验证：多癌种表现与泛化能力
研究在结直肠癌、乳腺癌和皮肤鳞状细胞癌三种实体瘤中评估了IGI-DL。与五种现有方法相比，IGI-DL预测空间基因表达的Pearson相关系数平均提升0.171，且在跨平台和跨癌种测试中均保持优势。不过，跨癌种预测性能较单一癌种有所下降，提示肿瘤空间基因表达具有癌种特异性，跨癌种应用仍存挑战。
临床意义：辅助预后与早期风险分层
基于预测的空间基因表达构建的生存模型，在TCGA乳腺癌和结直肠癌队列中C-index分别达到0.747和0.725，优于其他模型。该模型对早期（I-II期）患者同样保持精度，风险评分可作为独立预后指标。在外部测试集MCO-CRC中表现稳定，显示出泛化能力，有望辅助临床决策，避免过度治疗。
定位与局限：AI是助手而非替代
尽管AI在病理图像分析和预后预测中展现出潜力，但研究强调其不能替代病理学专家，而是作为辅助工具提高工作效率。此外，模型依赖高质量的组织学图像和基因表达数据，跨癌种预测性能有限，且尚未在更大规模的前瞻性队列中验证。未来需进一步探索其在数字化生物标志物检测等方向的适用性。
Q&A
上海交大团队开发的深度学习系统有什么主要功能？
该系统通过组织病理学图像预测癌症患者的肿瘤微环境信息，从而实现精确的癌症预后。
研究中使用了哪些癌症类型的数据进行模型评估？
研究评估了结直肠癌、乳腺癌和皮肤鳞状细胞癌三种癌症类型的数据。
IGI-DL模型在癌症预后预测中表现如何？
IGI-DL模型在结直肠癌、乳腺癌和皮肤鳞状细胞癌中均表现出色，平均相关系数提升了0.171。
癌症预后分析的重要性是什么？
癌症预后分析有助于提高患者的生存机会，避免过度治疗和医疗资源浪费。
深度学习系统如何处理组织学图像？
系统将H&E染色组织学图像分割成多个非重叠的patches，并利用图神经网络进行分析。
AI在癌症预后分析中的作用是什么？
AI可以辅助病理学专家，提高工作效率，但不能替代专家。
