关键词:
宫颈癌
淋巴结转移
组织病理学
深度学习
Vision transformer
递归神经网络
迁移学习
摘要:
背景:宫颈癌是威胁女性生命健康的重要公共卫生问题之一。宫颈癌发病趋于年轻化,淋巴结转移是影响宫颈癌患者预后的重要因素之一。目前,早期宫颈癌主要治疗方式是广泛性子宫切除或广泛性宫颈切除加盆腔淋巴结清扫术,后者主要用来评估患者是否存在淋巴结转移。然而,淋巴结清扫术术后并发症多,对患者的生活质量影响较大。术前准确识别出淋巴结转移几率极低的患者,不行淋巴结清扫或者行前哨淋巴结活检,可改善患者的生活质量。而对于极高淋巴结转移风险患者,根治性放化疗可作为首选治疗方案。所以术前准确评估患者淋巴结转移状态非常重要,可以为早期宫颈癌患者个体化治疗方案的制订提供参考。目的:本研究旨在通过深度学习模型,根据原发肿瘤组织的H&E染色病理切片提取病理学特征,进而预测患者是否有淋巴结转移,以期有助于宫颈癌患者个体化治疗方案的制定。方法:本研究回顾性分析了来自山东大学齐鲁医院277例及外院(山东大学第二医院、山东省立医院、济宁医学院附属医院、济南市第一人民医院、泰安市中心医院)168例可手术的早期宫颈癌患者的临床病理资料及其术后H&E染色病理切片,经病理学家每例选取1-5张H&E染色病理切片,并利用扫描仪将其数字化,共得到1068张全视野数字图像(whole slide image,WSI)。将齐鲁医院收治的宫颈癌患者的术后H&E染色病理切片WSI作为训练集(277例,WSI=868张),其他医院患者的术后H&E染色病理切片WSI作为外部验证集(168例,WSI=200张),构建并验证以Vision transformer(ViT)和Recurrent neural network(RNN)网络作为框架的深度学习模型。为进一步将模型迁移应用到术前活检病理,额外纳入了山东大学齐鲁医院2008年5月-2021年3月诊断的95例可手术的早期原发性宫颈癌患者,并检索调阅了术前活检的H&E染色病理切片108张(迁移测试集,WSI=108张),对深度学习模型进行迁移学习测试。本研究为了进一步验证深度学习模型的性能,同时评估了训练集和迁移测试集中MRI或CT等影像学检查对淋巴结转移预测的情况。本研究进一步分析了临床病理指标与淋巴结转移的相关性,同时构建临床病理预测模型,比较了深度学习模型与术前影像学检查和临床病理模型在评估淋巴结转移方面的性能。结果:在训练集中,深度学习模型受试者工作特征曲线下面积(AUROC)为90.3%,敏感性和特异性分别为84.0%和96.7%,F1core为90.7%。在外部验证集中,深度学习模型AUROC为85.0%,敏感性和特异性分别为73.8%和96.3%,F1core为86.5%。在迁移测试集中,深度学习模型AUROC为88.2%,敏感性和特异性分别为81.6%和94.8%,F1 score为88.8%。在训练集中,影像学检查判断淋巴结转移的敏感性为52.8%,特异性为78.9%,AUROC值为65.9%。迁移测试集中,影像学检查判断淋巴结转移的敏感性47.4%,特异性为91.7%,AUROC值为69.5%。对临床病理指标进行分析,LVI,肿瘤直径及宫旁浸润是淋巴结转移的独立危险因素。将上述临床病理指标纳入构建临床病理模型。在训练集中,临床病理模型敏感性为72.7%,特异性为81.5%,AUROC值为83.5%;在外部验证集中,临床病理模型敏感性为69.8%,特异性为76.0%,AUROC值为76.3%;在迁移测试集中,临床病理模型敏感性为49.3%,特异性为100.0%,AUROC值为82.2%。尽管临床病理模型中纳入了一些术后的病理参数,在迁移测试集中,深度学习模型的性能仍高于临床病理模型。结论:基于深度学习及计算病理学的模型在评估宫颈癌患者淋巴结状态方面的性能优于临床病理模型及影像学检查。基于深度学习及计算病理学模型可用于早期宫颈癌患者的淋巴结状态的预测。在术前通过宫颈活检H&E染色病理学切片WSI,可对患者淋巴结状态进行预测,进而为宫颈癌患者制订个体化的治疗方案。