中山大学蔡木炎团队携深度学习模型，革新结直肠神经内分泌肿瘤检测

2024年10月15日， 中山大学附属肿瘤医院蔡木炎团队在期刊《Cell Reports Medicine》上发表了题为“Deep learning model with pathological knowledge for detection of colorectal neuroendocrine tumor”的研究论文。研究结果表明，该模型有效地从CRC中识别NETs，减少不必要的免疫组织化学检测，并加强对结直肠肿瘤患者的精确治疗。

https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(24)00532-9

关于神经内分泌肿瘤 

 01 

神经内分泌肿瘤（NETs）是一组起源于全身神经内分泌细胞的罕见肿瘤，以产生肽激素和生物胺而闻名。胃肠道是NET最常见的发生部位。结直肠NET在分子亚型、治疗策略和预后结局方面，与结直肠腺癌有显著差异。

在临床环境中，结直肠NET和腺癌的鉴别，通常通过对苏木精和伊红（H&E）染色切片的组织病理学检查进行。鉴于NET的稀有性，这些方法对病理学家来说是劳动密集型的，而且，成本效益不高。

在这项研究中，团队提出了一种深度学习方法来区分结直肠NETs和结直肠腺癌，其具有增强的泛化能力和改进的性能。团队引入了一种基于相似性的选择方法来排除与诊断无关的斑块，使模型能够专注于具有临床意义的区域。此外，形态描述被视为文本原型，统一且独立于数据集之间的颜色变化。团队利用此文本原型作为有关每种癌症类型的先验知识，来指导幻灯片级特征的生成。该方法在一项多中心研究中表现出色，该研究涉及3个队列，每组1,500多名手术样本患者，以及一组活检切片。

图形摘要

可解释性和特征可视化

 02 

该方法识别的区域与病理学家手动描绘的肿瘤区域密切相关。此外，模型选择的补丁与病理学家提供的文本信息，表现出很强的一致性。这些定位斑块有效地捕获了CRC或NET特有的代表性形态特征，表明该模型有可能识别具有诊断意义的区域，以进行肿瘤分类。

  使用UMAP的可视化结果

采用切除训练模型进行活检分析

 03 

鉴于活检临床环境中固有的诊断复杂性，该模型的应用范围扩大到包括Biopsy-CC数据集。团队认识到活检切片和手术切片之间斑片数量的巨大差异，在活检队列中进一步重新定义了斑片比率。最初，团队评估了不同百分比的补丁，作为模型输入。基于对性能和计算效率的考虑，团队选择了10%的补丁，这些补丁代表了最合适的输入配置，用于进一步分析。采用这种选择的输入配置，该模型实现了0.915的AUROC（95%CI 0.9031–0.9269）。这些数据强调了深度学习模型的强大性能和计算效率，即使在临床活检场景带来的挑战中也是如此。

 所选补丁的可视化

总结

 04 

1. 计算效率和诊断性能：这种方法提高了计算效率，增强了诊断性能和模型的泛化能力。

2. 幻灯片级别分析：通过整合癌症相关的描述，该模型在外部验证和活检数据集上，展现了卓越的性能。

3. 跨中心数据集的泛化：模型通过在大规模病理图像数据集上进行预训练，增强了跨不同中心数据集的泛化能力，无需额外的颜色归一化。

4. 文本信息的利用：研究利用病理学家的诊断专业知识，将文本引导的特征与幻灯片级特征对齐，减轻了颜色变化的影响，并在内部和外部数据集上实现了高AUROC值。

5. 临床转化前景：该模型在活检和手术切除样本中展现出强大的性能和泛化性，具有临床转化的潜力，可以作为早期筛查工具，优化诊断工作流程，降低医疗成本。

参考资料：

1.Dasari, A. ∙ Shen, C. ∙ Halperin, D. ...

Trends in the Incidence, Prevalence, and Survival Outcomes in Patients With Neuroendocrine Tumors in the United States

JAMA Oncol. 2017; 3:1335-1342

2.Kooyker, A.I. ∙ Verbeek, W.H. ∙ van den Berg, J.G. ...

Change in incidence, characteristics and management of colorectal neuroendocrine tumours in the Netherlands in the last decade

United European Gastroenterol. J. 2020; 8:59-67