Artificial intelligence-driven prediction of lymph node metastasis in T1 esophageal squamous cell carcinoma using whole slide images.
- 研究背景：食管鳞状细胞癌（ESCC）全球发病率和死亡率高，中国尤甚。早期T1a期病变首选内镜黏膜下剥离术（ESD），但术后病理评估若有高危特征，可能追加食管切除术。因该手术创伤大、并发症多，且仅约10%淋巴血管侵犯（LVI）阳性患者发生淋巴结转移（LNM），存在过度治疗风险。本研究旨在开发基于全切片图像（WSIs）的人工智能（AI）模型预测T1 ESCC患者LNM风险，优化术后管理。
- 方法速览：开发基于图神经网络（GNN）的AI模型，自动学习多尺度组织病理学特征，构建空间邻接图捕捉组织结构信息。
- 主要发现： 内部测试表现优异：内部测试集中，AI模型受试者工作特征曲线下面积（AUC）达0.949（95%CI：0.912-0.986），能准确识别有LNM风险患者。
- 外部验证可靠性高：外部验证队列中，切片水平准确率90.1%，灵敏度81.8%，特异性91.4%，F1得分69.2%，阴性预测值（NPV）高达96.9%，可避免低风险患者过度治疗。
- 病例水平实用性提升：病例水平上，采用最大池化规则整合切片预测结果后，灵敏度100.0%，NPV 100.0%，特异性83.9%，整体准确率85.7%，可指导治疗决策。
- 模型具备可解释性：通过生成注意力热图，模型能可视化关注组织区域，与已知LNM高风险特征一致，经病理专家确认，增强生物学合理性。
- 总结展望：本研究创新开发基于GNN的AI模型，在真实世界T1 ESCC ESD病例中临床适用性高。但研究有局限性，如单中心回顾性设计、训练纳入晚期病例、外部验证部分LNM状态间接评估。未来需开展多中心前瞻性研究，探索AI与分子标志物结合的风险分层策略提升临床价值。
