基于全切片数字病理图像和深度学习的肝细胞癌术后辅助治疗预测模型构建与临床验证

# 一、 研究背景与目标 肝细胞癌（HCC）是全球常见的恶性肿瘤，发病率位居全球第6位，死亡率位居第3位。 每年导致约48万人死亡，中国病例数占全球45%以上，疾病负担极为沉重 1。 根治性手术切除是早期肝癌患者获得长期生存的主要手段。 然而，术后5年复发率高达50%-70%，严重限制了患者的预后 2。 术后辅助治疗已成为延缓复发、提高生存的关键策略。 其中，经动脉化疗栓塞（TACE）和酪氨酸激酶抑制剂（TKIs，如索拉非尼、仑伐替尼）已被广泛用于高复发风险患者的治疗 1,3。

TACE通过局部栓塞肿瘤供血血管联合化疗药物灌注诱导缺血性坏死，适用于中期肝癌 4,5。 而多靶点TKI药物可系统性抑制血管内皮生长因子受体（VEGFR）、血小板衍生生长因子受体（PDGFR）等信号通路，发挥抗血管生成和抗肿瘤增殖作用，已成为晚期肝癌的标准治疗 3。 然而，两种治疗方式均存在显著局限：TACE的客观缓解率通常仅为50%-60%，部分患者无法获益甚至可能出现肝功能损伤 6。 TKIs虽可将高危术后患者的无复发生存期（RFS）延长3-5个月，但在未经筛选的人群中治疗反应率低于20%，且3-4级不良反应（如高血压、手足皮肤反应、蛋白尿）发生率超过50%，导致20%的患者因无法耐受毒副作用而停药 3,7,8。 目前，临床上缺乏高效可靠的生物标志物体系来识别潜在获益人群。 因此，治疗决策仍依赖于临床经验（例如基于肿瘤大小、血管侵犯等传统病理特征），导致个体化程度有限、医疗资源浪费，并给患者带来额外的治疗负担。

近期研究表明，肿瘤免疫微环境（TIME）是影响TACE和TKIs治疗敏感性的关键生物学基础 3。 TIME的组成特征，包括免疫细胞浸润（如CD8⁺ T细胞、Tregs、CTLs、M2型肿瘤相关巨噬细胞）、免疫检查点分子（如程序性细胞死亡配体1，PD-L1）的表达及空间结构，与治疗反应密切相关 9-12。 例如，免疫炎症型TIME（高CD8⁺ T细胞密度及三级淋巴结构形成）可能与TACE后肿瘤坏死及TKI治疗反应呈正相关；相反，免疫豁免或免疫荒漠表型则常提示治疗耐药 13-15。 然而，目前TIME评估多依赖于多重免疫组化（mIHC）、空间转录组学等高分辨率技术。 这些方法虽可详细描绘微环境，但存在成本高、操作复杂、对样本质量要求高、标准化程度低等应用瓶颈，限制了其临床推广。

人工智能尤其是深度学习技术的突破，为从常规苏木精-伊红（HE）染色全切片图像（WSI）中挖掘深度病理信息提供了新途径。 作为术后病理诊断的常规数据（每位HCC患者术后均会生成HE染色WSI，无需额外取样或检测），WSI包含的细胞形态和组织结构细节已被证明可映射TIME的核心特征。 例如，通过卷积神经网络（CNN）、视觉Transformer（ViT）等架构，可自动识别与CD8⁺ T细胞浸润密度、PD-L1表达相关的形态学模式，实现“HE形态 → 免疫状态”的跨模态预测 16,17。 最新研究证实，基于HE-WSI的深度学习模型可高精度预测结直肠癌微卫星不稳定性（MSI，AUC 0.88） 18、非小细胞肺癌PD-L1表达（AUC 0.80）及肿瘤突变负荷（TMB，AUC 0.91） 19,20。 在肝癌领域，研究也已利用WSI深度学习预测术后复发风险（AUC 0.82）及肝癌组织免疫细胞浸润（AUC 0.78） 21,22。 然而，尚无研究聚焦“预测术后辅助治疗（TACE/TKI）疗效”这一临床痛点，且缺乏多中心、大样本的临床验证。

因此，基于HE染色WSI及深度学习算法构建HCC术后辅助治疗预测模型，不仅有助于解析TIME在治疗反应中的机制作用，更能突破现有检测技术成本高、周期长、依赖特殊平台等局限，推动肝癌辅助治疗决策向精准化、可及化发展。 本项目拟整合多中心临床病理数据与人工智能算法，建立适用于预测TACE及TKI疗效的数字病理模型，并进行严谨的临床验证，旨在为HCC术后治疗选择提供科学可靠的决策工具。

# 二、 具体步骤与工作流程 本研究为一项结合诊断试验与干预性研究的综合性研究，分为两大主体部分及多个阶段。 其目的是开发并验证一种基于人工智能的肝细胞癌（HCC）术后辅助治疗预测系统。 整体研究遵循基于人工智能（AI）的医疗设备软件（SaMD）开发的标准化流程，包括回顾性数据收集、模型开发与训练、回顾性验证、前瞻性观察性验证，以及最终的前瞻性干预性研究。

• 第一部分：肿瘤微环境识别模型的构建与验证

  • 开发与训练阶段 将使用公共数据集（如癌症基因组图谱，TCGA）及研究中心回顾性数据集（n=1500，已收集400例）作为训练集。 本阶段的核心任务是开发一个深度学习模型（例如基于视觉Transformer或ResNet的架构），用于从苏木精-伊红（HE）染色全切片图像（WSIs）中自动识别、分割和量化关键的肿瘤微环境特征。 这些特征包括但不限于免疫细胞浸润程度、间质比例、血管侵犯及坏死区域。 所有图像将由至少两名资深病理学家独立进行盲法标注。 分歧将通过共识或第三位资深病理学家仲裁解决，形成金标准。
  • 外部验证阶段 将使用来自8-10家国内合作医疗中心的回顾性WSI数据集，对模型的泛化能力进行初步验证。 本阶段旨在评估模型在不同扫描设备、不同切片制备与染色流程、不同病理学家判读习惯下的稳健性。
• 第二部分：治疗反应预测模型的构建与多层次临床验证

此部分是研究的核心。 其旨在基于第一部分模型的输出（即量化的肿瘤微环境特征）结合必要的临床变量（如TNM分期、肝功能Child-Pugh分级、AFP水平），构建一个能够预测患者对不同术后辅助治疗方案（单纯手术、手术+TACE、手术+TACE+TKI）反应的分类模型。 此部分采用严格的分层验证策略：

• 模型训练阶段 将使用研究中心的回顾性数据（n=1500）。 纳入患者必须满足以下标准：① 病理确诊为HCC；② 接受过根治性切除术；③ 拥有完整的术后辅助治疗及随访数据。 治疗反应定义：主要终点为无复发生存期（RFS），次要终点包括总生存期（OS）和客观缓解率（ORR）。 将使用多分类机器学习算法（如梯度提升树、深度神经网络）进行训练，输出患者最可能获益的治疗方案类别。
• 内部验证阶段 将通过随机划分，从中心数据中预留一个独立的验证集（n≈500，与训练集不重叠）。 用于初步评估模型的判别性能并进行超参数调优，以防止过拟合。
• 外部验证阶段1（回顾性验证与模型校准） 将收集来自全国多家中心（8-10家中心，n=3000）的回顾性数据。 本阶段的主要目的是：① 在更大规模、更具异质性的外部数据集上验证模型性能；② 基于验证结果对模型进行校准或有限的迭代优化，形成最终定稿的预测模型。

外部验证阶段2（大规模回顾性验证） 将使用定稿模型在一个新的、超大规模（n=10,000）的回顾性数据集（来自3-5家中心）上进行验证。 这将进一步巩固证据级别，并为前瞻性研究提供坚实基础。

外部验证阶段3（前瞻性观察性研究） 将在10-15家中心前瞻性、连续入组总计1000例符合条件的术后HCC患者。 收集其WSI图像并输入模型，获得预测治疗方案。 但此研究阶段不会干预实际临床决策。 研究者将记录模型的预测结果与实际临床决策，并通过随访观察患者的实际预后，以评估模型预测与实际结果的一致性，以及模型在真实世界环境中的性能衰减情况。

### 外部验证阶段4（前瞻性干预性研究） 这是研究的最终验证步骤。 将与3-5家中心合作，开展一项前瞻性、随机对照或实用性临床试验，入组约600名患者。 患者将被随机分为两组：① 模型辅助决策组：临床医生将依据模型预测的最佳治疗方案为患者制定治疗计划；② 标准治疗组：治疗计划完全由临床医生依据现有指南和临床经验制定。 主要比较两组的RFS，从而提供最高级别的循证医学证据，以证明模型辅助决策的临床效用及其在改善预后方面的价值。