Ann Oncol（IF=65.4）广东省人民医院放射科刘再毅等团队：基于深度学习CT分类器与病理标志物增强II期结直肠癌风险分层以优化辅助治疗决策

01文献学习今天分享的文献是由广东省人民医院放射科刘再毅等团队联合南方医科大学、山西省肿瘤医院、中国医科大学第一医院、广西医科大学肿瘤医院、重庆医科大学第一附属医院等团队于2025年7月在肿瘤学领域顶级期刊《Annals of Oncology》中科院1区topIF65.4上发表的研究”Enhanced risk stratification for stage II colorectal cancer using deep learning-based CT classifier and pathological markers to optimize adjuvant therapy decision“即基于深度学习的CT分类器结合病理标志物增强II期结直肠癌风险分层以优化辅助治疗决策该研究旨在开发一个整合术前CT影像深度学习分析与术后病理标志物的新型风险分层系统IRIS-CRC以更精准地识别II期结直肠癌患者中哪些人真正需要辅助化疗从而避免过度治疗或治疗不足。创新点①多平面深度学习架构创新采用Swin Transformer构建多平面CT基础模型通过平面特异性微调与投票机制提升影像特征提取的全面性与稳健性。②影像-病理融合分层策略首次将深度学习CT分类器与指南病理标志物结合构建四层风险分层系统IRIS-CRC实现从三组到四组的精准再分层。③可解释性与临床适配性设计通过放射基因组学分析揭示风险组生物学差异并开发用户友好界面支持临床直接输入与风险评估提升系统可操作性。临床价值①精准识别化疗获益人群显著减少过度治疗将27.1%传统高危患者降为低危同时识别出6.5%传统低危患者为极高危优化治疗决策。②提升分层判别能力与预后预测IRIS-CRC的C指数显著高于传统系统实现四个预后组明显区分DFS差异显著助力个体化预后评估。③跨中心与治疗场景适用性强在多个外部验证集中表现一致无论患者是否接受化疗均保持稳定分层能力具备临床推广潜力。图 1STAR-CRC深度学习模型的构建流程展示基于Swin Transformer的CT影像分类器STAR-CRC的两阶段训练逻辑及风险分层决策机制为IRIS-CRC系统提供基础影像分层工具。第一阶段多平面CT基础模型训练上面板输入数据结直肠癌患者术前多平面CT图像轴向、冠状、矢状位核心操作提取每个解剖平面中“肿瘤最大横截面切片Smax”及其相邻2层切片Smax-2、Smax-1、Smax1、Smax2分为上、中、下三组Superior/Central/Inferior sets输出结果训练得到可捕捉肿瘤多维度特征的基础模型为后续细化模型提供统一特征框架。第二阶段平面特异性模型微调中面板将基础模型分别针对轴向AX、冠状COR、矢状位SAG图像进行微调生成3个独立的平面特异性模型模型应用风险分层决策下面板评分计算对每个平面的上、中、下三组切片分别输入对应平面模型生成3个切片评分取平均值作为该平面的最终评分二分类与投票机制通过训练集中的“最小log-rank P值法”确定最佳阈值将平面评分转化为“低危/高危”二分类结果一致低危3个模型均判定低危→低危组一致高危3个模型均判定高危→高危组存在分歧任意模型判定结果不同→不确定风险组02研究背景及目的研究背景结直肠癌CRC是全球第三大常见癌症也是癌症相关死亡的第二大原因其临床管理尤其在二期结直肠癌中面临重大挑战。当前二期CRC的辅助化疗决策主要依赖于传统的临床病理特征如pT分期、淋巴结采样数、淋巴血管侵犯等但这些特征在识别真正受益于辅助化疗的患者方面准确度有限。多项系统评价和临床试验表明辅助化疗仅能提高约3%-5%的生存率和无病生存率且常伴随着显著的毒副作用导致部分低风险患者被过度治疗而高风险患者则可能治疗不足。尽管已有一些组织生物标志物如免疫评分、Oncotype DX等显示出一定的预后价值但其临床应用仍受限于成本效益、可及性及预测效能的不一致性。与此同时CT影像在CRC的诊断与随访中扮演关键角色而基于人工智能尤其是深度学习的影像分析技术能够从多平面CT图像中提取与肿瘤行为和患者预后相关的影像生物标志物为风险分层提供新的维度。因此亟需一种能够整合影像信息与病理特征的精准分层系统以弥补当前指南依赖系统的不足实现个体化治疗决策优化患者结局。研究目的本研究旨在构建一个更为精确、个性化的风险分层系统以优化二期结直肠癌患者的辅助治疗决策。具体目标包括首先开发一个基于术前多平面CT影像的深度学习分类器——STAR-CRCSwin Transformer Assisted Risk-stratification for CRC该模型通过训练多平面CT基础模型并进行平面特异性微调能够将患者分为低风险、不确定风险和高风险三类其次针对STAR-CRC中分类为“不确定风险”的患者群体进一步结合指南推荐的病理标志物包括pT4分期、淋巴结采样数≤12、神经周围侵犯和淋巴血管侵犯构建一个复合评分从而实现对这一亚组的再分层最终将影像分类结果与病理评分整合形成一个四层风险分层系统——IRIS-CRCIntelligent Risk Integration System for Stage II Colorectal Cancer将患者分为良好、中等、不良和极差预后组。该系统旨在显著提高风险分层的判别能力与临床适用性力求准确识别那些可安全避免辅助化疗的低风险患者同时甄别出需接受更积极治疗的高风险人群从而在保证疗效的前提下减少不必要的治疗相关毒性推动二期结直肠癌的精准医疗进程。03数据和方法研究数据研究对象12个中心的2992例II期结直肠癌患者均为R0切除手术切缘阴性数据分组训练集内部验证集1587例4个中心2012年10月-2020年12月按7:3分为训练集1110例和内部验证集477例外部验证集1405例8个中心2012年4月-2020年12月用于独立模型评估数据类型临床病理数据年龄、性别、pT分期、淋巴结取样数NLNS、肿瘤分化程度、神经侵犯PNI、脉管侵犯LVI、辅助化疗情况等影像数据术前多平面轴向、冠状、矢状位CT图像分子数据53例患者的批量RNA测序数据用于生物学基础分析主要终点3年无病生存期DFS从手术到复发、转移或任何原因死亡的时间次要终点总生存期OS。图 2患者分组流程图技术方法1STAR-CRC深度学习模型开发基于Swin Transformer构建两阶段多平面模型第一阶段训练多平面CT基础模型整合轴向、冠状、矢状位图像特征第二阶段微调为3个平面特异性模型AX/COR/SAG输入每个平面的上、中、下三层切片图像生成切片评分并平均为平面评分投票机制通过最佳阈值将平面评分二分类低危/高危一致低危为低危组一致高危为高危组存在分歧为不确定风险组。2IRIS-CRC风险分层系统构建对STAR-CRC的不确定风险组采用病理标志物复合评分pT4分期1分、NLNS≤121分、PNI阳性1分、LVI阳性1分总分0-4分评分0-1分为中间风险组≥2分为差风险组最终IRIS-CRC分为四组良好预后组STAR-CRC低危、中间预后组不确定风险评分0-1、差预后组不确定风险评分≥2、极差预后组STAR-CRC高危。3模型评估与比较对照系统GRSS-CRC基于ESMO/NCCN指南纳入pT分期、NLNS、PNI、LVI分为低危、中间危、高危统计方法C指数评估区分度、Kaplan-Meier生存分析比较各组DFS、Cox比例风险回归验证独立性、多重插补处理缺失数据、倾向评分匹配分析化疗获益。4分子机制探索对53例患者的RNA测序数据进行放射基因组学分析比较不同风险组的基因表达差异和通路富集情况。图 3IRIS-CRC风险分层系统的核心框架图第一步STAR-CRC初步分层输入术前多平面CT图像输出将患者分为三类低危组、不确定风险组、高危组。第二步病理标志物评分细化针对不确定风险组纳入的病理指标均来自术后病理报告及评分规则pT分期pT30分、pT41分淋巴结取样数NLNS12个0分、≤12个1分神经侵犯PNI阴性0分、阳性1分脉管侵犯LVI阴性0分、阳性1分评分范围0-4分设定阈值0-1分为“中间风险”≥2分为“差风险”。第三步最终四层级风险分组良好预后组FavorableSTAR-CRC低危组无需病理评分中间预后组IntermediateSTAR-CRC不确定风险组病理评分0-1分差预后组PoorSTAR-CRC不确定风险组病理评分≥2分极差预后组VerypoorSTAR-CRC高危组无需病理评分。04实验结果IRIS-CRC在外部验证中表现出优异的预后分层能力四组患者的3年DFS率分别为95%、95%–75%、75%–55%、55%。与GRSS-CRC相比IRIS-CRC将27.1%的原高危患者降级为良好预后组将6.5%的原低危患者升级为极差预后组。在化疗与非化疗患者中IRIS-CRC均保持稳定的分层能力。分子分析显示低危组免疫活性增强高危组细胞周期通路激活。图 4IRIS-CRC系统在三个数据集的生存分析曲线通过Kaplan-Meier生存曲线验证IRIS-CRC四层级风险分组的预后区分能力展示不同风险组的3年无病生存期DFS差异。图 5GRSS-CRC与IRIS-CRC的患者风险重分类对比图05研究结论本研究提出并验证了一种新型的II期结直肠癌风险分层系统——IRIS-CRC该系统通过整合基于深度学习Swin Transformer的CT影像分析STAR-CRC与传统病理标志物pT4、淋巴结采样数≤12、神经侵犯、脉管侵犯实现了比传统指南依赖系统GRSS-CRC更精准、个体化的预后评估。在包含2992例患者的多中心回顾性研究中IRIS-CRC将患者分为四个具有显著差异3年无病生存率的预后组95%、95%–75%、75%–55%、55%显著改善了风险区分能力C指数显著高于GRSS-CRC。尤为关键的是IRIS-CRC重分类了27.1%的传统高危患者为低危可能避免不必要的化疗同时将6.5%的传统低危患者上调为极高危提示需强化治疗。该系统在外部验证及不同治疗亚组中均保持稳定的分层性能有望优化II期结直肠癌辅助化疗决策推动治疗个体化。未来需前瞻性试验进一步验证其在指导治疗中的实际效益。参考文献Huang YQ, Chen XB, Cui YF, Yang F, Huang SX, Li ZH, Ying YJ, Li SY, Li MH, Gao P, Wu ZQ, Wen G, Wang ZS, Wang HX, Hong MP, Diao WJ, Chen XY, Hou KQ, Zhang R, Hou J, Fang Z, Wang ZN, Mao Y, Wee L, Liu ZY. Enhanced risk stratification for stage II colorectal cancer using deep learning-based CT classifier and pathological markers to optimize adjuvant therapy decision. Ann Oncol. 2025 Oct;36(10):1178-1189. doi: 10.1016/j.annonc.2025.05.537.