《Journal of Neuroendocrinology》：A new, machine learning-based approach to metastatic neuroendocrine tumors of unknown origin
编辑推荐：
本研究提出一种创新的机器学习方法，通过分析肝转移灶的常规H&E染色切片，精准预测神经内分泌肿瘤（NET）的原发部位（小肠或胰腺）。该技术采用两步分类策略，对不确定病例可主动弃权，在回顾性临床验证中，对小肠NET的识别灵敏度达71.4%（特异性与阳性预测值均为100%），为传统影像学与免疫组化（IHC）诊断不明病例提供了有效的补充工具。
1 背景
神经内分泌肿瘤（NET）可起源于多种器官，常以肝转移为首发表现。明确原发灶位置对治疗方案选择至关重要，但临床定位困难，约9-19%的NET病例原发灶不明。不同起源的NET在预后、分子特征及治疗反应方面存在显著差异：例如小肠NET对链脲佐菌素/5-FU或卡培他滨/替莫唑胺化疗方案反应较差，而生长抑素类似物是其Ki-67指数≤10%者的推荐一线治疗；相反，上述化疗方案则是转移性胰腺NET的标准一线治疗。现有诊断技术（如影像学、核素扫描、内镜及免疫组化）均存在局限性，例如计算机断层扫描（CT）和生长抑素受体（SSTR）显像对胃肠道小原发灶灵敏度低，免疫组化标记物（CDX2、TTF1、PAX8/ISLET1）存在表达非特异性或缺失（即三重阴性模式）等问题。因此，临床亟需开发辅助性生物标志物及诊断工具以补充现有手段。
2 方法
2.1 数据收集
研究回顾性收集了2010-2020年间汉堡大学医学中心（UKE）的119例NET肝转移患者样本，最终99例纳入UKE数据集（原发灶：小肠51例、胰腺40例、直肠3例、肺4例、肾1例），共270张H&E切片（含219张 resection 和51张 biopsy 标本），使用3DHISTECH Pannoramic 1000扫描仪数字化。外部验证数据集包含26例患者（原发灶：小肠9例、胰腺14例、肺2例、直肠1例）的37张切片（20张活检、6张 resection），使用Leica Aperio GT450/AT2扫描仪扫描，以严格测试模型泛化性。
2.2 数据准备
使用QuPath v0.3手动分割肿瘤区域并排除伪影。每位患者随机抽取100个图像块（UKE数据集尺寸4096×4096像素，外部数据集2048×2048像素），统一缩放至224×224像素并进行颜色标准化。
2.3 实验设计
采用两步策略：首先训练二分类器（小肠 vs. 胰腺），再通过不确定性度量处理其他起源病例。特征提取使用预训练ResNet50（比较ImageNet、组织病理学预训练模型MTDP和RetCCL），分类器采用支持向量机（SVM，线性与径向基函数（RBF）核）和逻辑回归（LR）。患者级推断基于100个 patches 的多数投票。为处理异质性“其他起源”病例，利用SVM决策边界的符号距离之和设定置信度阈值，将不确定病例归类为“uncertain”。
3 结果
3.1 二分类任务性能
在仅含小肠与胰腺起源的内部数据集中，最佳模型（RetCCL特征提取器+SVM RBF）的 patch 级准确率达83.2%，患者级准确率达93.4%。在外部测试集上，患者级分类准确率最高达87.0%（线性SVM+MTDP/RetCCL），证实模型对扫描仪、机构及 resection 技术差异具有鲁棒性。
3.2 扩展模型在异质性队列中的表现
在包含所有起源类型的临床模拟队列中，当置信度参数设为0.875时，模型对小肠NET的灵敏度为71.4%，特异性与阳性预测值（PPV）均为100%；对胰腺NET的灵敏度为33.3%，特异性为94.1%，PPV为85.7%。所有非胰腺/非小肠起源病例均被正确标记为“uncertain”，有效避免了误分类。在7例原发灶初次诊断不明的亚组中，模型性能保持一致。
4 讨论
本研究首次证实机器学习可通过肝转移灶H&E切片辅助NET原发灶定位。该方法仅需单张切片（包括活检小标本），兼容常规数字病理流程，且对扫描设备无特殊要求。其核心优势在于引入“不确定”类别，确保对罕见起源病例不强行分类，从而在真实临床场景中保持高诊断可靠性。局限性包括对胰腺NET灵敏度有限、未整合分子标志物、罕见起源样本量不足等。未来工作可探索形态学特征与治疗反应的关联，并拓展至多中心前瞻性验证。
作者贡献与利益冲突声明
Jiaxi Lü 等人负责数据整理、分析与模型开发；所有作者声明无利益冲突。研究获汉堡大学Digital Clinician Scientist计划支持，遵循赫尔辛基宣言，经当地伦理委员会批准（2023-101034-BO-ff）。数据与模型代码已公开（CC BY-NC-SA 4.0）。
