《Oral Surgery, Oral Medicine, Oral Pathology and Oral Radiology》：Deep learning approach to identify histological features associated with lymph node metastasis following primary tumor excision in patients with tongue squamous cell carcinoma
编辑推荐：
为解决舌鳞状细胞癌(SCC)患者原发灶切除后颈淋巴结(LN)转移风险难以准确评估的问题，本研究利用基于Faster R-CNN的深度学习(DL)模型，在常规HE切片上量化癌组织侵袭前沿的低分化癌巢数量。结果表明，低分化癌巢数量增多与颈LN转移显著相关，该DL方法为临床淋巴结阴性(cN0)早期舌癌的术后风险分层提供了一种新的、可量化的辅助工具。
舌癌，特别是舌鳞状细胞癌，是口腔颌面外科医生面临的一大挑战。尽管手术技术不断进步，但患者的长期生存率仍不理想，其中一个关键“元凶”便是颈淋巴结转移。一旦癌细胞“跑”到淋巴结，治疗的复杂性和难度便会大大增加，预后也显著变差。更棘手的是，在那些临床检查（如触诊、影像学）未发现淋巴结转移（即临床淋巴结阴性，cN0）的早期舌癌患者中，仍有相当一部分存在“隐匿性转移”——癌细胞已经悄悄“潜伏”在淋巴结里，现有手段却无法发现。对这些患者，是应该“防患于未然”，在切除舌部肿瘤时一并清扫颈部淋巴结（即择区性颈清扫），还是可以“静观其变”，仅对舌部病灶进行处理？这个决策至关重要，过度治疗会增加不必要的手术创伤和并发症，而治疗不足则可能错过最佳干预时机，导致肿瘤复发转移。因此，临床急需一种能够在术后准确评估隐匿转移风险的工具，从而帮助医生为患者制定更精准的个体化治疗方案。
传统的风险评估依赖于一系列病理学特征，如浸润深度、脉管侵犯、切缘状态等。其中，肿瘤的“分化程度”——即癌细胞长得像不像正常细胞——也是一个重要指标。通常，分化越差的肿瘤（低分化），恶性程度越高，侵袭和转移的能力也越强。在显微镜下，低分化的癌细胞常常聚集成团，形成所谓的“低分化癌巢”。然而，传统病理评估对这些特征的判断存在主观性，不同病理医生之间可能存在差异，且难以对癌巢数量进行精确、可重复的量化。随着数字病理和人工智能的兴起，为这一难题的解决带来了曙光。来自大阪大学齿学部的研究团队设想：能否利用深度学习这一强大的图像分析工具，自动化地识别和计数舌癌组织切片中的低分化癌巢，并将这一量化指标与淋巴结转移风险联系起来，从而为风险分层提供客观、可重复的新证据？他们的这项研究发表在了《Oral Surgery, Oral Medicine, Oral Pathology and Oral Radiology》期刊上。
为开展这项研究，研究人员主要采用了以下几项关键技术方法：1. 回顾性队列构建与数据准备：研究纳入了大阪大学齿科医院1998年至2016年间接受根治性手术的115例舌鳞状细胞癌患者的临床资料和HE染色病理切片，所有患者均有超过5年的随访。2. 数字病理与图像标注：将HE切片数字化为全玻片图像(WSI)，在病理专家指导下，使用标注工具在图像上对超过2.2万个分化良好和分化差的癌巢进行了边界框标注，构建了用于模型训练的数据集。3. 深度学习模型开发与训练：采用Faster R-CNN这一目标检测框架，构建能够自动识别和分类癌巢的深度学习模型。模型训练中应用了数据增强技术以提高泛化能力。4. 半自动化分析流程：在模型应用阶段，由评估者手动选择每个病例侵袭前沿最具代表性的五个视野，然后由训练好的模型自动检测和计数其中的癌巢，计算每个病例的平均癌巢数用于统计分析。
研究结果
比较淋巴结阳性与阴性组间的癌巢数量
在颈淋巴结转移阳性的患者中，模型检测到的低分化癌巢平均数量显著高于高分化癌巢的平均数量，且这一差异具有统计学意义(P = 0.00004)。而在没有颈淋巴结转移的患者中，低分化与高分化癌巢的平均数量相近，无显著差异(P = 0.9264)。这表明，低分化癌巢的富集是淋巴结阳性组的一个特征性表现，而在淋巴结阴性组中则未观察到这种不平衡。在早期（T1-T2期）病例亚组分析中，也观察到了相同的模式。
ROC分析与操作阈值
基于主要队列中每个病例的低分化癌巢平均数量进行受试者工作特征(ROC)分析，得到的曲线下面积(AUC)为0.67，表明其对于鉴别颈淋巴结转移具有中等程度的判别能力。研究者从ROC曲线中推导出了一个操作阈值：每个病例≥3.6个低分化癌巢，并将此作为后续风险分层的探索性截断值。
在独立验证队列中评估阈值
为了探索该阈值在严格筛选的临床淋巴结阴性(cN0)早期舌癌患者中的适用性，研究者组建了一个独立的验证队列，包含20例cT1-T2 cN0且未接受择区性颈清扫的患者。应用上述ROC截断值（≥3.6个低分化癌巢/例）对病例进行分类，该模型在预测该队列患者术后随访期间发生颈淋巴结转移方面，显示出72.7%的敏感性和55.6%的特异性。作为对比，在同一队列中使用传统的Yamamoto-Kohama (YK)浸润模式分级（YK 1-2级 vs. YK 3-4级）进行二分类，得出的敏感性为63.6%，特异性为77.8%。这表明，在这个经过严格筛选的小型队列中，这种深度学习衍生的截断值在识别后续发生颈淋巴结转移的患者时，比YK分级具有更高的敏感性，但特异性较低。
研究结论与讨论
本研究的结果表明，基于Faster R-CNN的深度学习模型能够自动检测和分类舌鳞状细胞癌中的癌巢。模型量化的侵袭前沿低分化癌巢数量，与颈淋巴结转移的风险表现出相关性。在独立验证的早期cN0队列中，以≥3.6个低分化癌巢/例作为阈值，显示出较高的敏感性，这符合临床上对于隐匿性转移“宁过勿漏”的管理策略倾向，即在早期淋巴结阴性患者管理中，倾向于避免遗漏高风险病例，即使可能因此对部分低风险患者进行过度干预。
这项研究的意义在于，它将深度学习应用于常规的HE染色病理切片分析，将一个传统上依赖病理医生主观评估的形态学特征（低分化癌巢的丰富程度），转化为一个可量化、可重复的客观指标。这为舌鳞状细胞癌，特别是临床淋巴结阴性的早期患者，提供了一种新的、基于人工智能的术后风险分层辅助工具。该工具可以与YK浸润模式、浸润深度、切缘状态等现有病理学指标相结合，为临床医生制定个体化的随访强度和是否进行择区性颈清扫的决策提供更多维度的信息。
当然，研究者也坦率地指出了本研究的局限性，包括回顾性单中心设计可能带来的选择偏倚、癌巢标注和侵袭前沿视野选择存在一定的主观性、独立验证队列样本量较小等。因此，目前的研究结论更多是启示性的，其临床价值需要在前瞻性、多中心、更大样本的研究中得到进一步验证。未来的研究方向可以致力于开发全自动的管道（从自动识别侵袭前沿到癌巢检测），减少人工干预；探索将该量化指标与更多的临床病理因素整合，构建多因素预测模型；甚至尝试将该方法应用于术前活检标本的分析，以指导初始治疗决策。
总之，这项研究展示了深度学习在转化数字病理信息为临床可操作风险指标方面的潜力。它标志着在利用人工智能赋能口腔癌精准医疗、实现更精细化患者管理方面，迈出了扎实的一步。
