准确的淋巴结分期对膀胱癌患者的诊断和治疗具有重要意义。该研究的目标是开发一个淋巴结转移诊断模型(LNMDM)，并评估人工智能辅助(AI)工作流程的临床效果。
2023年3月6日，中山大学林天歆团队在Lancet Oncology （IF=54）在线发表题为“Artificial intelligence-based model for lymph node metastases detection on whole slide images in bladder cancer: a retrospective, multicentre, diagnostic study”的研究论文，在这项回顾性、多中心诊断研究中，研究人员纳入了连续的膀胱癌患者，这些患者均行根治性膀胱切除术和盆腔淋巴结清扫术，并可获得淋巴结切片的完整图像，以用于模型开发。
该研究开发了一种基于人工智能的诊断模型，在检测淋巴结转移，特别是微转移方面表现良好。LNMDM在提高病理学家工作的准确性和效率方面显示出巨大的临床应用潜力。
膀胱癌是全球第十大常见癌症。准确的淋巴结分期对指导膀胱癌患者的治疗和预后评估至关重要。大约25%的肌肉浸润性膀胱癌患者有淋巴结转移，导致预后不良。淋巴结转移患者受益于辅助化疗，这提高了总体和无病生存期。
目前，膀胱癌术前淋巴结分期推荐影像学检查(如CT、MRI和PET)。MRI和CT检测恶性淋巴结主要依据其大小，敏感性较低。[18F]氟脱氧葡萄糖([18F]FDG)-PET-CT可以帮助排除MRI或CT发现的可疑淋巴结，尽管CT淋巴结阴性患者的敏感性也很低。
根据目前的指南，淋巴结转移的最终诊断是通过病理评估，但病理诊断仍然存在挑战。诊断肿瘤转移的传统诊断程序依赖于病理学家对载玻片的检查，这既耗时又费力。如果涉及微转移，诊断变得越来越困难。一项研究发现，在18%的乳腺癌患者中，病理学家的集中复查比局部评估检测出更多的淋巴结受累率，这表明标准病理检查的敏感性并不理想。尽管免疫组化可以提高肿瘤转移的检测，但它价格昂贵，不会在临床上常规使用。延长连续切片可以帮助准确识别阳性淋巴结，但这一过程增加了病理学家的工作量。因此，对检测淋巴结转移的自动化病理分析系统有很高的需求。
LNMDM与病理诊断的比较（图源自Lancet Oncology ）
在过去的10年里，人工智能在自动化或半自动化诊断工具的开发中显示出了潜在的好处，并已应用于许多医疗场景。之前开发了基于CT和MRI扫描的机器学习模型，用于膀胱癌淋巴结转移的术前诊断。人工智能也已应用于PET成像，以辅助临床决策。此外，随着高通量扫描技术、计算能力和存储解决方案的进步，计算病理学已经取得了实质性的进展。人工智能可以挖掘微观病变并分析十亿像素大小的数字图像。一项研究报告称，深度学习算法在检测乳腺癌患者的淋巴结转移方面取得了很好的效果。但是，目前还没有研究将AI应用于膀胱癌数字病理切片检测淋巴结转移。
研究人员假设，基于最新的算法、先进的计算能力和大数据，基于人工智能的诊断模型将能够自动检测膀胱癌患者的淋巴结转移，特别是微转移。该研究旨在开发一种膀胱癌淋巴结转移诊断模型(LNMDM)，自动检测肿瘤转移，并将LNMDM与病理学家进行比较，探讨其临床实用性。
在中国的这项回顾性、多中心诊断研究中，研究人员纳入了连续的膀胱癌患者，这些患者均行根治性膀胱切除术和盆腔淋巴结清扫术，并可获得淋巴结切片的完整图像，以用于模型开发。该研究排除了非膀胱癌并发手术或图像质量低的患者。来自两家医院(中山大学孙逸仙纪念医院和南方医科大学珠江医院)的患者在截止日期前被分配到训练集，在截止日期后被分配到每家医院的内部验证集。来自其他三家医院(中山大学附属第三医院、南方医科大学南方医院、南方医科大学附属第三医院)的患者作为外部验证集。来自五个验证集的具有挑战性的病例验证子集用于比较LNMDM和病理学家之间的性能，并收集其他两个数据集(来自CAMELYON数据集的乳腺癌和来自中山大学孙中山纪念医院的前列腺癌)用于多癌症测试。主要终点是四个预先指定的组(即五个验证组、一个单淋巴结测试组、多个癌症测试组以及LNMDM和病理学家之间的性能比较子集)的诊断敏感性。
LNMDM在不同人群亚组中的诊断性能（图源自Lancet Oncology ）
在2013年1月1日至2021年12月31日期间，1012名膀胱癌患者接受了根治性膀胱切除术和盆腔淋巴结清扫术(8177张图像和20954个淋巴结)。研究人员排除了14例并发非膀胱癌患者(165张图像)，并排除了21张低质量图像。该研究纳入了998例患者和7991张图像(881例[88%]男性;117名(12%)女性;中位年龄64岁[IQR 56-72];没有种族数据;268例(27%)合并淋巴结转移)。在五个验证集中，LNMDM准确诊断的曲线下面积(AUC)范围为0.978 (95% CI 0.960- 0.996)至0.998(0.996-1·000)。LNMDM和病理学家之间的性能比较表明，模型的诊断敏感性(0·983 [95% CI 0·941-0·998])大大超过初级病理学家(0·906[0·871-0·934])和高级病理学家(0·947[0·919-0·968])，AI辅助提高了初级病理学家(从0·906没有AI到0·953有AI)和高级病理学家(从0·947到0·986)的敏感性。
在多癌检测中，LNMDM在乳腺癌图像中的AUC为0.943 (95% CI为0.918- 0.969)，在前列腺癌图像中的AUC为0.922(0.884-0.960)。在13例患者中，LNMDM检测出了被病理学家遗漏的肿瘤微转移，这些病理学家之前将这些患者的结果归类为阴性。受试者工作特征曲线显示LNMDM可以使病理学家排除80-92%的阴性切片，同时在临床应用中保持100%的敏感性。
总之，该研究开发了一种基于人工智能的诊断模型，在检测淋巴结转移，特别是微转移方面表现良好。LNMDM在提高病理学家工作的准确性和效率方面显示出巨大的临床应用潜力。
参考消息：
https://www.thelancet.com/journals/lanonc/article/PIIS1470-2045(23)00061-X/fulltext
转自：“iNature”微信公众号
如有侵权，请联系本站删除！
