AI 赋能 II 期结直肠癌预后评估：语义增强模型助力风险分层优化

亮点

• SÉMIL 是一种语义增强的深度学习模型，可自动评估 II 期结直肠癌 H&E 全视野切片图像中的肿瘤侵袭前沿。

• 该模型在三个多机构队列（n=1,608 张切片）中完成验证，其预后准确性优于非语义方法和病理科医生的人工判断。

• 该模型在传统临床病理因素之外仍具有独立的预后意义，包括 NCCN 定义的 II 期高危患者。

• 通过更准确地区分临床上难以判断的亚组复发风险，该模型有望优化辅助化疗决策。

研究背景

II 期结直肠癌（colorectal cancer，CRC）是指肿瘤已穿透肠壁但尚未累及淋巴结的疾病状态，其治疗决策具有一定矛盾性。现行指南，包括美国国家综合癌症网络（National Comprehensive Cancer Network，NCCN）指南，建议仅对具有高危病理特征的患者选择性给予辅助化疗，因为其复发风险存在异质性。然而，T 分期、错配修复（mismatch repair，MMR）状态以及淋巴结检查充分性等临床病理指标，仍然不能充分预测复发。肿瘤侵袭前沿能够反映肿瘤的侵袭性行为，具有丰富的预后信息，但其一致性评估较为困难。因此，亟需客观、可重复且可扩展的生物标志物，以增强风险分层并指导 II 期 CRC 的辅助治疗。

人工智能（artificial intelligence，AI）和深度学习，尤其是在结合组织学图像语义理解时，为病理评估的自动化与标准化带来了希望。通过整合生物学背景和形态学模式，AI 可能捕捉到超出人眼视觉感知范围的侵袭性特征。本研究由 Magisson 等开展，评估 SÉMIL（Semantically-Enhanced Multiple Instance Learning，语义增强多实例学习）这一新型 AI 算法，将视觉-语言基础模型与多实例学习（multiple instance learning，MIL）相结合，用于 II 期 CRC 的侵袭前沿自动评估及预后判断。

研究设计

本研究采用回顾性多机构队列设计，纳入来自三个独立队列的 1,608 张 II 期结直肠腺癌苏木精-伊红（hematoxylin and eosin，H&E）染色全视野切片（whole slide images，WSIs）：Austin 队列（n=697）、MCO（Metropolitan Cancer Oncology，n=478）以及 DYNAMIC 队列（n=433）。

SÉMIL 的架构具有以下独特整合：
– 视觉-语言基础模型：借助语言信息引导的图像表示，对组织特征提取进行语义增强。
– 基于注意力机制的多实例学习：自动对全视野切片中与侵袭性相关的组织区域赋予不同权重。

对照方法包括传统的非语义 MIL 方法以及由资深病理学专家进行的人工侵袭前沿评估。主要性能指标包括二分类任务的受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）以及生存预测的风险比（hazard ratio，HR）和 p 值。多因素 Cox 回归用于评估 SÉMIL 预后价值相对于既有临床病理变量的独立性。

主要发现

二分类性能

在外部验证中，SÉMIL 在所有三个队列中均持续优于非语义 MIL 方法：
– AUC 范围为 0.713 至 0.821，而非语义 MIL 为 0.686 至 0.803。
这表明该模型在区分是否存在侵袭性肿瘤前沿方面具有更高准确性，并可能有助于识别高风险患者。

生存结局的预后分层

各队列均验证了其显著的复发预后分层能力，风险比（HR）如下：
– Austin（内部验证）：HR=4.73，p=0.0012
– MCO（外部验证）：HR=2.84，p=0.0032
– DYNAMIC（外部验证）：HR=2.10，p=0.0396

NCCN 高危亚组内的风险分层

在按照 NCCN 指南归类为高危的患者中，SÉMIL 进一步提升了预后区分能力：
– 各队列 HR 范围为 2.96 至 3.50，且所有 p 值均 <0.05。
这种稳健性提示其在治疗决策最复杂的场景中具有临床应用价值。

多因素分析

在一个包含 1,220 例 II 期患者且临床资料完整的合并数据集中，SÉMIL 在校正以下因素后仍保持独立预后意义：
– T 分期
– MMR 状态
– 淋巴结检查充分性
– SÉMIL 风险比：1.98，p=0.005

与人工病理评估的一致性

一致性分析显示，当 SÉMIL 与病理学家对浸润性分类结果一致时，患者构成最高风险组（HR=3.96，p<0.0001）。当结果不一致时，患者则表现为中等风险，提示 AI 与人工评估可提供互补的预后信息。

专家点评

本研究体现了 AI 在数字病理学中的转化应用潜力，可用于弥补结直肠癌管理中的关键空白。通过将视觉-语言模型与深度学习相结合并赋予语义增强，SÉMIL 能以较既往方法更高的精度捕捉反映肿瘤侵袭性的细微组织病理特征。多机构研究设计进一步增强了这些结果的有效性和推广性。

值得注意的是，该模型能够在经典临床病理变量之外独立分层风险，这与当前精准肿瘤学的发展目标一致。其在 NCCN 高危 II 期患者中的附加预后价值，凸显了其在现实临床中辅助化疗决策的意义，因为现有方法往往难以明确权衡风险与获益。

然而，该研究也存在局限性，包括回顾性研究设计、不同中心切片制备过程可能存在差异，以及在临床落地前仍需前瞻性外部验证。若要纳入常规病理工作流程，还需具备稳健的可解释性、质量控制机制以及临床医生的认可。

未来研究可进一步探索其与分子数据和影像组学数据的整合，以强化风险模型，并通过临床试验评估其对患者结局的影响。

结论

SÉMIL 代表了 AI 辅助 II 期结直肠癌预后分层的重要进展。该模型在多样化队列中经验证的自动侵袭前沿评估与生存预测能力，显示其有望用于指导个体化辅助治疗决策。通过优化指南定义高危人群的风险评估，该工具有望提高临床决策精度，并最终改善患者结局。要实现临床转化，前瞻性验证及工作流程整合仍是下一步关键任务。

资金来源与 ClinicalTrials.gov

作者在摘要中未披露具体资助来源。DYNAMIC 队列提示其可能与结直肠癌生物标志物评估相关的临床试验有关。更多细节需查阅全文。

参考文献

1. Magisson F et al. AI-Assisted Risk Stratification in Stage II Colorectal Cancer: Multi-Institutional Validation of Semantically-Enhanced Deep Learning. Gastroenterology. 2026 Jul 28; PMID: 42521098.
2. Benson AB 3rd, Venook AP, Al-Hawary MM, et al. NCCN Guidelines Insights: Colon Cancer, Version 2.2018. J Natl Compr Canc Netw. 2018;16(4):359–369.
3. Zlobec I, Lugli A. Prognostic and predictive factors in colorectal cancer. J Clin Pathol. 2010;63(6):506–511.
4. Campanella G, Hanna MG, Geneslaw L, et al. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nat Med. 2019;25(8):1301–1309.