《npj Precision Oncology》：Survival prediction and risk stratification in R0-resected ovarian cancer: a multi-modal deep learning approach
編輯推薦：
本研究針對(duì)R0切除卵巢癌(OC)患者預(yù)后異質(zhì)性大、現(xiàn)有預(yù)測模型精度不足的臨床難題，開發(fā)了名為OvcaSurvivor的多模態(tài)深度學(xué)習(xí)框架。該研究創(chuàng)新性地整合全切片圖像(WSI)、超聲(US)和臨床數(shù)據(jù)，通過注意力引導(dǎo)的門控融合機(jī)制，實(shí)現(xiàn)了優(yōu)異的生存預(yù)測性能（C-index：內(nèi)部0.81，外部0.76/0.70）。模型不僅能準(zhǔn)確預(yù)測1/3/5年生存率，還可有效區(qū)分高危/低危患者群體，為卵巢癌精準(zhǔn)醫(yī)療提供了新的決策支持工具。
卵巢癌作為婦科惡性腫瘤中的"隱形殺手"，其死亡率高居?jì)D科腫瘤首位，全球范圍內(nèi)每年導(dǎo)致大量女性死亡。盡管手術(shù)中實(shí)現(xiàn)R0切除（完全切除）是改善預(yù)后的關(guān)鍵因素，但令人困惑的是，即使在這一相對(duì)有利的亞組中，患者的生存結(jié)局仍存在顯著差異。傳統(tǒng)的預(yù)后評(píng)估工具，如國際婦產(chǎn)科聯(lián)盟(FIGO)分期系統(tǒng)、血清腫瘤標(biāo)志物CA125等，雖在臨床廣泛應(yīng)用，但難以精準(zhǔn)捕捉腫瘤異質(zhì)性，導(dǎo)致個(gè)體化預(yù)后預(yù)測精度有限。這凸顯了開發(fā)新型精準(zhǔn)預(yù)后工具的迫切需求。
近日發(fā)表于《npj Precision Oncology》的一項(xiàng)研究，提出了名為OvcaSurvivor的創(chuàng)新解決方案。該研究由安徽醫(yī)科大學(xué)第一附屬醫(yī)院超聲科張超學(xué)教授團(tuán)隊(duì)與復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院合作完成，通過多模態(tài)深度學(xué)習(xí)技術(shù)，整合全切片圖像(WSI)、超聲影像和臨床數(shù)據(jù)，構(gòu)建了R0切除卵巢癌患者的生存預(yù)測與風(fēng)險(xiǎn)分層模型，為卵巢癌精準(zhǔn)醫(yī)療提供了有力工具。
關(guān)鍵技術(shù)方法
研究團(tuán)隊(duì)回顧性收集了三個(gè)醫(yī)療中心543例R0切除卵巢癌患者的完整數(shù)據(jù)，包括病理組織切片數(shù)字化生成的全切片圖像、術(shù)前超聲圖像以及臨床特征。技術(shù)核心是開發(fā)了多模態(tài)深度學(xué)習(xí)框架OvcaSurvivor：采用CHIEF網(wǎng)絡(luò)提取WSI的細(xì)胞級(jí)特征，ResNet50網(wǎng)絡(luò)提取US圖像的結(jié)構(gòu)特征，通過交叉注意力機(jī)制實(shí)現(xiàn)WSI與US的語義對(duì)齊，并利用門控單元自適應(yīng)融合臨床數(shù)據(jù)。最終通過多變量Cox回歸生成風(fēng)險(xiǎn)評(píng)分，以中位值(0.62)為界進(jìn)行風(fēng)險(xiǎn)分層。
研究結(jié)果
模型性能驗(yàn)證
OvcaSurvivor在內(nèi)部驗(yàn)證中C-index達(dá)到0.81(0.77-0.85)，外部驗(yàn)證中分別為0.76(0.68-0.84)和0.70(0.69-0.80)，顯著優(yōu)于單模態(tài)模型。時(shí)間依賴性ROC曲線顯示，1年、3年和5年生存預(yù)測的AUC值分別為0.82、0.76和0.70（內(nèi)部驗(yàn)證），表明模型具有優(yōu)秀的預(yù)測準(zhǔn)確性。
特征貢獻(xiàn)分析
雷達(dá)圖顯示W(wǎng)SI特征貢獻(xiàn)度最高，其次為US特征和臨床數(shù)據(jù)。模型能根據(jù)FIGO分期自適應(yīng)調(diào)整模態(tài)權(quán)重：早期(I-II期)側(cè)重臨床指標(biāo)，晚期(III-IV期)提升影像權(quán)重以捕捉異質(zhì)性。交叉注意力矩陣和Grad-CAM可視化證實(shí)模型決策基于跨模態(tài)關(guān)鍵生物學(xué)特征協(xié)同，而非單一模態(tài)孤立信息。
風(fēng)險(xiǎn)分層價(jià)值
基于風(fēng)險(xiǎn)評(píng)分的中位數(shù)將患者分為高危和低危組，Kaplan-Meier曲線顯示兩組生存差異顯著(P<0.05)。多變量Cox分析確認(rèn)風(fēng)險(xiǎn)評(píng)分是獨(dú)立危險(xiǎn)因素(HR=6.01, 95%CI: 3.57-10.10)，驗(yàn)證了分層的預(yù)后價(jià)值。
亞組分析穩(wěn)健性
在年齡、絕經(jīng)狀態(tài)和FIGO分期亞組中，模型大多保持良好區(qū)分能力。雖然在部分小樣本亞組（如內(nèi)部驗(yàn)證組中FIGO I-II期僅15例）性能受限，但整體顯示良好泛化能力。
消融實(shí)驗(yàn)驗(yàn)證
完整模型性能最優(yōu)，移除交叉注意力模塊或門控單元均導(dǎo)致性能下降，證實(shí)了多模態(tài)融合架構(gòu)的必要性而非簡單數(shù)據(jù)堆疊。
研究結(jié)論與意義
該研究成功開發(fā)了首個(gè)整合WSI、US和臨床數(shù)據(jù)的卵巢癌多模態(tài)預(yù)后模型，突破了傳統(tǒng)單模態(tài)預(yù)測的局限性。OvcaSurvivor不僅能準(zhǔn)確預(yù)測長期生存，還可實(shí)現(xiàn)個(gè)體化風(fēng)險(xiǎn)分層，為術(shù)后治療決策提供量化依據(jù)。模型的自適應(yīng)權(quán)重分配機(jī)制模擬了臨床決策邏輯：早期疾病依賴臨床指標(biāo)，晚期疾病側(cè)重影像特征，這一設(shè)計(jì)增強(qiáng)了模型的可解釋性。
研究的創(chuàng)新點(diǎn)在于通過交叉注意力和門控融合技術(shù)，實(shí)現(xiàn)了多模態(tài)數(shù)據(jù)的深度交互而非簡單拼接，從而捕捉到腫瘤生物學(xué)行為的復(fù)雜特征。盡管存在樣本量有限、未進(jìn)行顯色標(biāo)準(zhǔn)化等局限性，但多中心驗(yàn)證結(jié)果已證實(shí)模型的穩(wěn)健性。
這項(xiàng)工作推動(dòng)了精準(zhǔn)腫瘤學(xué)在卵巢癌領(lǐng)域的應(yīng)用，為實(shí)現(xiàn)真正個(gè)體化預(yù)后評(píng)估邁出重要一步。未來通過前瞻性驗(yàn)證和實(shí)時(shí)臨床部署，有望將這種人工智能驅(qū)動(dòng)的決策支持工具轉(zhuǎn)化為實(shí)際的患者獲益。
