Cancer Cell：MSI预测性能可达临床级！基于AI 的生物标志物预测模型加速CRC活检分析

结直肠癌（CRC）是全世界范围内发病率第三的癌症，也是我国常见的恶性肿瘤之一。近年来，中国CRC发病率和死亡率均保持上升趋势，在全部恶性肿瘤中分别位居第2和第5位，严重影响和威胁着人民的身体健康。CRC的精确肿瘤学需要通过PCR、测序或免疫组织化学分析来评估遗传生物标志物，如微卫星不稳定性（MSI）、BRAF和NRAS/KRAS基因的突变，这是提供各种医学指南建议、治疗的关键。深度学习（DL）可以加速从CRC常规病理切片中预测预后生物标志物，但目前的方法依赖于卷积神经网络（CNN），并且大多只在小型患者队列中得到了验证。

近期，德国德累斯顿工业大学、亥姆霍兹慕尼黑环境与健康研究中心等机构的研究人员在Cancer Cell上发表了题为“Transformer-based biomarker prediction from colorectal cancer histology: A large-scale multicentric study”的文章。研究团队开发了一种新的基于Transformer的分析框架，通过将预训练的Transformer编码器与用于补丁聚合的Transformer网络相结合，从CRC常规病理切片中进行端到端的生物标志物预测。通过对来自16个队列13,000多名结直肠癌患者组成的大规模、多中心队列进行训练和评估，该方法在手术切除组织样本的MSI预测方面达到了99%的灵敏度，阴性预测值超99%。与当前最先进的算法相比，基于Transformer的方法大大提高了预测性能、通用性、数据效率和可解释性。

文章发表于Cancer Cell

研究团队通过两种方式在CRC患者手术切除队列中，评估了基于Transformer的框架的MSI预测性能（图1）。首先在单个队列上训练模型，并在保留测试集（内部）和所有其他队列（外部）上进行测试。结果显示，在大型队列中（如DACHS、QUASAR、TCGA或NLCS），该模型AUC为0.95左右；该方法性能上述四个队列中均优于基于CNN的方法。此外，在早期发病CRC中，该方法也实现了接近0.9的AUC。

接下来，研究团队在除YCR-BCIP外的所有CRC切除队列上训练了模型，并在外部验证队列YCR-BCI上对其进行了评估。结果显示，模型灵敏度为0.99，阴性预测值超0.99。具有不同临床病理特征的患者ROC分析表明，该模型在所有亚组中表现良好。0.86的高平均AUPRC分数表明，尽管队列中部分MSI样本存在严重的类别不平衡，但基于Transformer的模型仍实现了高灵敏度和高精度。

为更好地与最先进的技术进行比较，研究团队使用相同的特征提取器CTransPath在上述四个大型队列上训练了AttentionMIL和完全基于Transformer的模型。基于CNN的方法实现了0.96的AUC，AttentionMIL为0.96，而完全基于Transformer的方法表现略好，AUC为0.97。上述结果表明，完全基于Transformer的方法在大队列和小队列上都能产生较高的生物标志物预测性能。从临床角度来看，基于Transformer的方法具有更好的泛化性能，能够产生更可靠的结果。

图1. 工作流程概述。来源：Cancer Cell

研究团队探究了完全基于Transformer的模型在其他生物标志物预测任务中的性能，如BRAF和KRAS。按照MSI预测的实验设置，研究团队首先在单个队列上对模型进行了训练，并在外部队列上进行了评估，然后在一个完全合并的多中心队列上对模型进行了训练。结果显示，模型在大队列中（DACHS和NLCS）表现较好，AUC分别为0.88和0.87；在较小队列中性能略差，AUC为0.83-0.85，但远远优于先前方法。此外，大型多中心队列中，该模型的AUC为0.88，几乎达到临床级表现。

将KRAS作为研究目标时，研究团队观察到了类似的泛化结果，在多中心队列上训练时，模型AUC为0.80，优于最新方法；单队列训练的AUC为0.53-0.77，与最新数据一致或更高。上述结果表明，基于Transformer的模型可以预测与CRC常规诊断相关的多种生物标志物。

图2. 评估生物标志物MSI、BRAF和KRAS在单个队列和大规模多中心实验中的性能。来源：Cancer Cell

在先前研究中，几乎所关于CRC中生物标志物的预测分析都是通手术切除切片进行的，因此，商业上可用的MSI检测算法仅用于切除切片。但最近的临床研究表明，MSI阳性的CRC患者需要在手术前进行免疫治疗，这就导致需要在活检材料上进行MSI检测。为解决上述难题，研究团队使用YCR-BCIP以外的所有队列的手术切除样本训练了模型，并对来自1,592名YCIP-BCIP结直肠癌患者的活检组织进行了评估（图3）。

当对两个外部队列（YCR-BCIP和MAINZ）的活检中分别进行验证时，基于Transformer的模型的平均AUC评分分别为0.92和0.86。值得注意的是，MAINZ活检队列的MSI-high比率高于训练队列。该方法表现优于现有方法，并在对切除标本的模型训练后，在活检中取得了临床级的性能。当选择具有高灵敏度的分类阈值时，与切除样本相比，活检中所有阳性预测病例中，正确MSI阳性预测病例的比率较低。

在切除样本的内部测试集上固定分类阈值时，基于Transformer的模型分别获得0.98和0.91的敏感得分，这些值高于或接近临床批准的用于切除样本的DL算法，这表明该算法能够用于临床活检。

图3. 基于Transformer的模型可实现活检的临床级性能。来源：Cancer Cell

研究团队对基于Transformer的模型的预期临床用途如下（图4）：首先，患者前往疑似CRC或进行常规CRC的诊所筛查，结肠镜检查显示可疑肿瘤，经组织学评估发现为腺癌。随后，通过基于Transformer的模型进行活检，以检测MSI/MMR状态和BRAF/RAS突变状态。最后，根据MSI、BRAF和KRAS状态，为患者选择最合适的治疗方法。

同样，在转移性疾病中，活检组织中存在MSI将使患者有资格接受姑息性免疫治疗。由于对活检组织的敏感性很高，基于Transformer的AI算法模型可作为一种预筛查工具，随后再进行肯定测试。综上，应用基于AI的生物标志物预测可以降低检测负担，加快活检和分子测定MSI-high状态之间的步骤，从而使患者能够在适合的情况下更早接受免疫治疗。

图4. 预期的MSI高分级器活检的临床工作流程。来源：Cancer Cell

综上所述，该研究提出了一个完全基于Transformer的模型来预测CRC的MSI，可加快组织样本的分析，从而更快地做出治疗决策，提供了与CRC患者活检临床测试相当的结果。在外部验证队列中，该模型在切除样本中的AUC为0.97，活检组织中的AUC为0.92和0.86。与现有的最先进的MIL或CNN方法相比，该方法具有更好的泛化能力和数据效率。

参考文献：

Wagner SJ, Reisenbüchler D, West NP, et al. Transformer-based biomarker prediction from colorectal cancer histology: A large-scale multicentric study.Cancer Cell. 2023;41(9):1650-1661.e4. doi:10.1016/j.ccell.2023.08.002