利用深度学习基于组织病理学图像对肝细胞癌进行预后分层

肝细胞癌（HCC）是最常见且致死率最高的恶性肿瘤之一，其预后预测尤为困难。组织病理学生物标志物对于癌症预后评估至关重要。人工智能（AI）的发展使得利用深度学习技术对全切片病理图像中的信息进行自动化分类与检测成为可能。本研究旨在应用AI深度学习技术分析HCC患者的组织病理学切片，实现预后分层，从而辅助临床治疗方案的制定。

采用Otsu阈值法对来自两个肝细胞癌（HCC）数据集——癌症基因组图谱（TCGA）和鞍钢总医院HCC切片——的全切片图像（WSIs）进行自动分割。通过预训练的CONCH模型提取WSIs的病理特征，并将其作为模型输入。采用受试者工作特征曲线下面积及其他指标评估模型性能。随后采用注意力热图可视化方法分析模型的可解释性。利用Kolmogorov-Smirnov曲线将患者分层为不同的风险组。通过生存分析评估不同风险组间总体生存率的差异。采用单因素与多因素Cox回归分析识别关键临床指标和病理特征作为显著预测因子。使用riskRegression包生成校准曲线，比较预测与实际观察到的生存结果。校准曲线用于量化模型预测概率与实际观察结果之间的偏差。

基于TCGA数据集，采用CLAM自注意力框架构建了一个预后预测模型，并通过内部数据集的组织学染色切片数据验证了其泛化能力。结果表明，该模型能够实现更优的迁移性能。死亡率在风险递增的分层组中呈逐步上升趋势。该风险分层系统在指导治疗方案选择方面具有潜在的临床应用价值。生成的森林图显示，该风险分层系统可作为肝细胞癌（HCC）的独立预后预测因子。校准曲线分析证实了模型的预测准确性，而决策曲线分析的结果进一步凸显了其在指导临床决策中的优越效用。

本研究建立了一个预后预测模型，其风险分层可作为肝细胞癌的独立预后预测因子，并为治疗决策提供指导。