Nature Medicine：利用AI预测肿瘤起源，准确率媲美医学专家

撰文丨王聪

编辑丨王多鱼

排版丨水成文

原发灶不明癌症（CUP）是一类经组织病理学证实为恶性转移的恶性疾病，但其起源无法通过标准的基线诊断方法确定。据估计，CUP占人类确诊的所有癌症的3-5%，腺癌是其中最常见的病理类型，其次是鳞癌和未分化癌。尽管采用了多种联合化疗，但大多数患者的预后非常差，只有20%的患者达到了10个月的中位生存期。

免疫组化通常是预测CUP可能起源的关键手段，然而，只有不到30%的CUP病例可以通过这一手段来确定起源，而准确预测原发部位是有效和个性化治疗的重中之重，因此CUP对临床医师来说是一个棘手问题。

2024年4月16日，天津医科大学肿瘤医院李祥春、陈可欣、郑州大学第一附属医院李文才等人在NatureMedicine期刊发表了题为：Predictionoftumororiginincancersofunknownprimaryoriginwithcytology-baseddeeplearning的研究论文。

该研究开发了一种基于深度学习的AI模型——TORCH，用于预测胸水和腹水中恶性细胞的主要系统起源。该AI模型可以成为鉴别恶性肿瘤和良性疾病、肿瘤起源定位以及辅助原发灶不明癌症（CUP）患者临床决策的宝贵工具，其在5个测试集中取得了稳健的诊断和预测结果，媲美甚至超过了人类病理学专家。

在新诊断的CUP患者中，有相当一部分出现胸膜或腹膜转移。据报道，7-20%的呼吸系统或胃肠道肿瘤患者被诊断为胸腔和腹腔积液，其中许多同时合并腹膜或胸膜癌。以往的研究表明，浆膜腔积液可以在没有任何癌症病史的情况下发生，10%的恶性积液患者是癌症的初始表现。经腹膜或胸膜细针穿刺细胞学检查通常作为诊断胸腹部转移瘤的关键方法。然而，大多数情况下，病理学家可以通过细胞学涂片肉眼区分腺癌和鳞状细胞癌，但不能区分肿瘤细胞的起源。因此，精确的细胞学评估有助于对CUP合并胸膜或腹膜转移患者进行恰当的管理，指导最佳的治疗策略，避免不必要的手术，进一步延长患者总生存期。

近年来，基于深度卷积神经网络的计算分析作为一种辅助技术越来越多地应用于病理诊断领域。数字病理学已经应用于各种图像处理和图像分类任务，包括低水平的物体识别和高水平的疾病预后或治疗反应预测。然而，之前开发的AI算法主要集中在组织学或病理图像上，很少有能够解释细胞学成像数据以预测肿瘤起源的深度学习模型。

在常规临床实践中，组织学和细胞学病理学在肿瘤起源的追踪方面有不同的应用场景。当可以通过手术或穿刺活检获得标本时，使用组织学检查，这些类型的标本提供更丰富的诊断信息。细胞学检查主要适用于不能手术或不能耐受穿刺活检的晚期癌症患者。在这种情况下，胸膜和腹膜浆液标本由于其良好的可及性而有助于癌症起源的定位。然而，采样不足、细胞变性或异型性以及检查员之间的差异是诊断准确性不佳的主要原因。因此，需要应用人工智能辅助图像分析等新技术来提高检测能力。据我们所知，目前还没有研究过人工智能在利用胸水和腹水的细胞学图像预测癌症起源方面的应用。

在这项研究中，研究团队旨在建立一个人工智能（AI）诊断模型，利用细胞学图像预测发生胸水和腹水转移的癌症患者的广泛肿瘤起源。该AI模型的性能通过来自几个独立测试集的大规模细胞学涂片病例进行检查和验证。

该研究利用来自四家三级医院的57220例细胞学图像，开发了一种使用细胞学组织学进行肿瘤起源分化的深度学习方法——TORCH，该方法可以识别恶性肿瘤并预测胸水和腹水的肿瘤起源。

TORCH模型框架

研究团队三个内部测试集（n=12799）和两个外部测试集（n=14538）上检查了其性能。结果显示，TORCH在诊断癌症时的ROC曲线下面积（AUC）在0.953-0.991之间（越接近1效果越好），在肿瘤起源定位时的ROC曲线下面积（AUC）在0.953-0.979之间（越接近1效果越好）。

病理专家和TORCH鉴别良性/恶性样本诊断性能的比较

TORCH预测原发肿瘤起源的准确率为82.6%，并且肿瘤起源有属于预测前三名的可能性高达98.9%。与4位病理学专家的结果相比，TORCH具有更好的预测效果（1.677vs1.265），显著提高了初级病理学专家的诊断评分。初始治疗方案与TORCH预测的起源一致的CUP患者比给予不一致治疗的患者有更好的总生存期（27个月vs17个月）。这项研究强调了TORCH在临床实践中作为一种有价值的辅助工具的潜力。

TORCH预测与CUP患者长期预后的相关性

总的来说，TORCH可以作为一种有效的鉴别恶性肿瘤和良性疾病的工具，并进一步作为利用细胞学图像预测肿瘤起源的概念验证。TORCH的高性能和潜在的临床获益值得进一步的前瞻性随机临床试验研究。

论文链接：