1. 项目背景与临床意义胰腺神经内分泌肿瘤PanNENs是起源于胰腺内分泌细胞的一类异质性肿瘤其生物学行为从惰性到高度恶性不等。传统WHO分级系统主要基于Ki-67指数和有丝分裂计数但在临床实践中我们发现约30%的病例存在分级与预后不符的情况。海军军医大学长海医院病理科团队在《NPJ Precision Oncology》影响因子8.0发表的研究正是针对这一临床痛点展开的突破性探索。我在日常病理诊断工作中深有体会当遇到Ki-67指数处于分级临界值比如2-3%或20-25%的病例时临床医生常会追问这个分级是否准确反映肿瘤的真实恶性程度。这种不确定性直接影响后续治疗决策——是选择保守随访还是积极手术是否需要辅助治疗现有的形态学评估方法显然需要更精确的补充工具。2. 研究方法与技术路线2.1 多中心数据构建研究团队收集了长海医院2010-2020年间经手术切除的326例PanNENs病例作为训练集同时纳入国内5家三甲医院的214例病例作为外部验证集。所有病例均满足以下严格标准具有完整的临床随访资料中位随访时间58个月术前未接受任何抗肿瘤治疗病理标本经两位资深病理医师双盲复核关键细节组织样本全部采用标准化前处理流程10%中性福尔马林固定24±2小时3μm连续切片确保后续图像分析的可比性。2.2 病理组学特征提取采用Aperio数字病理扫描系统40倍物镜获取整张切片图像WSI通过开源工具PyRadiomics提取了1218个定量特征涵盖一阶统计特征肿瘤区域灰度分布纹理特征GLCM、GLRLM、GLSZM形态学特征肿瘤边界不规则度小波变换特征我们特别关注到研究团队对特征稳定性的处理通过在不同区域重复采样ROI直径1mm间隔0.5mm计算组内相关系数ICC0.8的特征保留这种方法有效降低了组织异质性带来的分析偏差。2.3 机器学习模型构建采用三步式建模策略特征筛选先用LASSO回归10折交叉验证降维模型训练比较了随机森林、SVM、XGBoost等6种算法模型解释SHAP值分析关键特征的生物学意义最终确定的XGBoost模型包含17个核心特征其中最有预测价值的3个特征是wavelet-LHL_firstorder_Median反映肿瘤细胞核染色质分布original_shape_Sphericity描述肿瘤生长方式log-sigma-2-0-mm-3D_glcm_Correlation表征间质反应程度3. 模型验证与临床价值3.1 性能验证结果在独立验证集上模型展现出优异表现区分G1 vs G2AUC 0.9395%CI 0.89-0.97区分G2 vs G3AUC 0.8895%CI 0.83-0.93预测5年无进展生存C-index 0.81特别值得注意的是模型成功修正了27例传统分级与预后不符的病例占12.6%这些病例的临床决策因此发生改变。3.2 临床应用场景该模型在实际工作中主要有三大应用方向临界病例分级辅助Ki-67 2-3%或20-25%活检小样本的全面评估弥补组织量不足新辅助治疗后的再分级解决治疗后Ki-67评估难题我们科室最近遇到的一个典型案例一位45岁女性患者活检显示Ki-67 2.5%按传统标准属G1。但模型分析提示高风险特征主要因纹理特征entropy值异常增高术后证实为G2伴微血管侵犯。这种早期预警使患者获得了更合适的治疗。4. 技术细节与实操要点4.1 数字病理扫描规范扫描分辨率0.25μm/pixel40倍物镜图像格式采用压缩的JPEG2000压缩比1:10质量把控每批扫描前用标准玻片校准确保色差5%经验提示避免使用自动对焦模式手动选择3-5个代表性区域对焦可显著减少图像模糊伪影。4.2 特征提取参数设置# PyRadiomics典型配置示例 params { binWidth: 25, # 固定灰度分级 resampledPixelSpacing: [0.5, 0.5], # 统一分辨率 interpolator: sitkBSpline, weightingNorm: noNorm # 保留原始染色差异 }4.3 模型部署注意事项硬件需求建议配备GPU如NVIDIA T4的工作站运行时间单例分析约8-12分钟含人工复核结果解读需结合HE形态学综合判断避免完全依赖算法输出5. 局限性与改进方向当前模型存在几个需要优化的方面对小活检样本的适应性需增加活检-手术配对样本训练治疗后的组织变化影响正在收集新辅助治疗病例数据罕见亚型如MEN1相关肿瘤的特定特征挖掘我们团队正在开发第二代模型重点改进引入注意力机制关注肿瘤-间质交界区整合血清标志物CgA、NSE等多模态数据开发临床友好型报告界面自动生成结构化描述这项研究最值得借鉴的方法学创新在于将传统的形态学评估转化为可量化的数字特征同时保持与现有分级系统的兼容性。对于病理科医生而言不需要改变现有工作流程只需在常规诊断基础上增加一个辅助分析环节这种轻量级创新更易被临床接受。 
长河君 · 2026/10/27 23:36:37 · 阅读 1.2k 机器学习在胰腺神经内分泌肿瘤分级中的应用研究
1. 项目背景与临床意义胰腺神经内分泌肿瘤PanNENs是起源于胰腺内分泌细胞的一类异质性肿瘤其生物学行为从惰性到高度恶性不等。传统WHO分级系统主要基于Ki-67指数和有丝分裂计数但在临床实践中我们发现约30%的病例存在分级与预后不符的情况。海军军医大学长海医院病理科团队在《NPJ Precision Oncology》影响因子8.0发表的研究正是针对这一临床痛点展开的突破性探索。我在日常病理诊断工作中深有体会当遇到Ki-67指数处于分级临界值比如2-3%或20-25%的病例时临床医生常会追问这个分级是否准确反映肿瘤的真实恶性程度。这种不确定性直接影响后续治疗决策——是选择保守随访还是积极手术是否需要辅助治疗现有的形态学评估方法显然需要更精确的补充工具。2. 研究方法与技术路线2.1 多中心数据构建研究团队收集了长海医院2010-2020年间经手术切除的326例PanNENs病例作为训练集同时纳入国内5家三甲医院的214例病例作为外部验证集。所有病例均满足以下严格标准具有完整的临床随访资料中位随访时间58个月术前未接受任何抗肿瘤治疗病理标本经两位资深病理医师双盲复核关键细节组织样本全部采用标准化前处理流程10%中性福尔马林固定24±2小时3μm连续切片确保后续图像分析的可比性。2.2 病理组学特征提取采用Aperio数字病理扫描系统40倍物镜获取整张切片图像WSI通过开源工具PyRadiomics提取了1218个定量特征涵盖一阶统计特征肿瘤区域灰度分布纹理特征GLCM、GLRLM、GLSZM形态学特征肿瘤边界不规则度小波变换特征我们特别关注到研究团队对特征稳定性的处理通过在不同区域重复采样ROI直径1mm间隔0.5mm计算组内相关系数ICC0.8的特征保留这种方法有效降低了组织异质性带来的分析偏差。2.3 机器学习模型构建采用三步式建模策略特征筛选先用LASSO回归10折交叉验证降维模型训练比较了随机森林、SVM、XGBoost等6种算法模型解释SHAP值分析关键特征的生物学意义最终确定的XGBoost模型包含17个核心特征其中最有预测价值的3个特征是wavelet-LHL_firstorder_Median反映肿瘤细胞核染色质分布original_shape_Sphericity描述肿瘤生长方式log-sigma-2-0-mm-3D_glcm_Correlation表征间质反应程度3. 模型验证与临床价值3.1 性能验证结果在独立验证集上模型展现出优异表现区分G1 vs G2AUC 0.9395%CI 0.89-0.97区分G2 vs G3AUC 0.8895%CI 0.83-0.93预测5年无进展生存C-index 0.81特别值得注意的是模型成功修正了27例传统分级与预后不符的病例占12.6%这些病例的临床决策因此发生改变。3.2 临床应用场景该模型在实际工作中主要有三大应用方向临界病例分级辅助Ki-67 2-3%或20-25%活检小样本的全面评估弥补组织量不足新辅助治疗后的再分级解决治疗后Ki-67评估难题我们科室最近遇到的一个典型案例一位45岁女性患者活检显示Ki-67 2.5%按传统标准属G1。但模型分析提示高风险特征主要因纹理特征entropy值异常增高术后证实为G2伴微血管侵犯。这种早期预警使患者获得了更合适的治疗。4. 技术细节与实操要点4.1 数字病理扫描规范扫描分辨率0.25μm/pixel40倍物镜图像格式采用压缩的JPEG2000压缩比1:10质量把控每批扫描前用标准玻片校准确保色差5%经验提示避免使用自动对焦模式手动选择3-5个代表性区域对焦可显著减少图像模糊伪影。4.2 特征提取参数设置# PyRadiomics典型配置示例 params { binWidth: 25, # 固定灰度分级 resampledPixelSpacing: [0.5, 0.5], # 统一分辨率 interpolator: sitkBSpline, weightingNorm: noNorm # 保留原始染色差异 }4.3 模型部署注意事项硬件需求建议配备GPU如NVIDIA T4的工作站运行时间单例分析约8-12分钟含人工复核结果解读需结合HE形态学综合判断避免完全依赖算法输出5. 局限性与改进方向当前模型存在几个需要优化的方面对小活检样本的适应性需增加活检-手术配对样本训练治疗后的组织变化影响正在收集新辅助治疗病例数据罕见亚型如MEN1相关肿瘤的特定特征挖掘我们团队正在开发第二代模型重点改进引入注意力机制关注肿瘤-间质交界区整合血清标志物CgA、NSE等多模态数据开发临床友好型报告界面自动生成结构化描述这项研究最值得借鉴的方法学创新在于将传统的形态学评估转化为可量化的数字特征同时保持与现有分级系统的兼容性。对于病理科医生而言不需要改变现有工作流程只需在常规诊断基础上增加一个辅助分析环节这种轻量级创新更易被临床接受。