1. 领域背景与文献
文献英文标题：Artificial intelligence-powered H&E-based quantification of spatial tumor-infiltrating lymphocyte distribution identifies prognostic immune niches in colorectal cancer；
发表期刊：文献未明确提供；影响因子：文献未明确提供；研究领域：结直肠癌免疫微环境与预后生物标志物
结直肠癌是全球第三大常见恶性肿瘤、第二大癌症相关死亡原因，肿瘤免疫微环境（TME）在调控抗肿瘤免疫应答、决定免疫治疗响应及影响患者预后中发挥核心作用。领域共识：肿瘤浸润淋巴细胞（TILs）密度是结直肠癌免疫活性和临床结局的公认生物标志物，而TILs的空间分布作为重要的生物学和预后决定因素，逐渐成为研究热点。当前领域内，传统的Immunoscore系统基于免疫组化（IHC）检测肿瘤中心（TC）和浸润边缘（IM）的CD3+、CD8+ T细胞密度，已被证实具有预后价值，但存在空间分辨率有限、依赖IHC染色导致临床应用成本高、可扩展性不足的问题；病理学家人工评估TILs存在耗时、需专业知识储备、观察者间及观察者内差异大的局限性。数字病理与深度学习技术的发展为解决这些痛点提供了新方向，但AI驱动的TILs空间分布分析的临床有效性验证、与传统方法的对比研究仍有待完善。本研究针对结直肠癌中TILs空间分布的预后价值评估需求，采用AI技术对常规H&E染色切片中的TILs进行高分辨率空间定量分析，开发相关预后评分系统并与经典Immunoscore对比，旨在为结直肠癌的精准风险分层提供更高效、可扩展的技术方案。
2. 文献综述解析
作者对领域内现有研究按技术方法与研究维度进行分类，涵盖传统病理学家人工评估TILs、基于IHC的Immunoscore预后系统、早期AI驱动的TILs定量研究三类方向。传统病理学家人工评估TILs是临床常规采用的方法，其优势在于符合临床病理工作的常规流程，但存在操作耗时、对评估者专业水平要求高、观察者间及观察者内重复性差的明显局限性；Immunoscore作为经典的预后评分系统，通过IHC检测CD3+、CD8+ T细胞在肿瘤中心和浸润边缘的密度，已被多项大规模研究证实其预后价值，但其依赖额外的IHC染色，增加了检测成本与操作复杂度，且仅将肿瘤分为肿瘤中心和浸润边缘两个大区域，无法捕捉TILs更精细的空间异质性；早期AI驱动的TILs定量研究主要聚焦于TILs密度的自动化评估，虽解决了人工评估的重复性问题，但缺乏对TILs空间分布与预后关联的深入分析，且部分研究未充分与病理学家评估或Immunoscore进行对比验证。本研究的创新价值在于，首次基于AI技术对H&E染色切片中的TILs进行基于肿瘤-基质边界（TSB）的高分辨率空间亚分类，构建了TIL评分与TSB评分两个预后系统，不仅验证了AI评估与病理学家、Immunoscore的一致性，更在微卫星不稳定高（MSI-high）结直肠癌亚组中展现出优于Immunoscore的预后分层能力，同时无需额外免疫组化染色，为临床常规应用提供了更具可扩展性的方案。
3. 研究思路总结与详细解析
本研究的目标是评估AI驱动的H&E染色切片TILs空间分布分析在结直肠癌中的预后价值，开发可与Immunoscore媲美的AI-based预后评分系统；核心科学问题为TILs在肿瘤-基质边界不同空间区域的分布是否具有独立预后意义，以及基于H&E切片的AI空间分析能否替代或补充传统Immunoscore；技术路线遵循“队列构建→AI模型开发与TILs空间亚分类→AI结果多维度验证→预后价值分析与评分系统构建→亚组性能对比”的闭环逻辑。
3.1 患者队列与样本准备
实验目的是构建具有充足统计效力的结直肠癌患者队列，富集MSI-high亚组以深入分析免疫相关亚型的预后特征。研究纳入2012年1月至2019年6月在韩国Severance医院接受根治性切除术的202例初治II/III期结直肠癌患者，有意富集MSI-high肿瘤以增强该亚型的分析效力；通过基于肽核酸的实时PCR（U-TOP™ MSI检测试剂盒）或错配修复免疫组化标志物（MLH1、MSH2、PMS2、MSH6）检测确定MSI状态；回顾性从电子病历中提取无病生存期（RFS）等临床数据，RFS定义为从手术至首次疾病复发或末次随访的时间间隔。结果显示，队列中男性占53.5%、女性占46.5%，中位年龄63岁，II期肿瘤占52.5%、III期占47.5%，MSI-high肿瘤占34.7%，高于常规结直肠癌队列的比例，为后续亚组分析提供了充足样本量（n=202）。实验所用关键产品：U-TOP™ MSI Detection Kit（SeaSun Biomaterials）；MLH1抗体（760-5091, Ventana）、MSH2抗体（760-5093, Ventana）、PMS2抗体（288 M-16, Roche）、MSH6抗体（790-4455, Ventana）。
3.2 AI模型构建与TILs空间亚分类
实验目的是开发基于H&E染色全切片图像（WSIs）的AI分析系统，实现TILs的精准定量及基于肿瘤-基质边界（TSB）的空间亚分类。研究选取显示最深肿瘤浸润的代表性H&E染色切片，使用Aperio GT450（Leica Biosystems）扫描为WSIs；采用Lunit SCOPE IO系统，该系统包含两个深度学习模型：以ResNet-34为骨干的组织分割模型将组织分为癌区（CA）和癌基质区（CS），以ResNet-34为骨干、DeepLabV3+架构的细胞检测模型识别并分类肿瘤细胞与淋巴细胞；模型训练使用来自18935张WSIs的76110个图像块（组织分割）和5609张WSIs的20617个图像块（细胞检测），由认证病理学家标注2828448个细胞和1.70×10^10 μm²组织；定义TSB为CA与CS的界面，根据与TSB的距离将瘤内TILs（iTILs，CA内淋巴细胞）和基质TILs（sTILs，CS内淋巴细胞）进一步亚分类：核心iTILs（距TSB>30μm）、边界iTILs（距TSB0-30μm）、边界sTILs（距TSB0-30μm）、最外层sTILs（距TSB>30μm）；同时补充分析30、50、100、150μm的边界距离以验证阈值的稳健性。结果显示，AI系统成功实现了不同空间区域TILs的定量，核心iTILs、边界iTILs、边界sTILs、最外层sTILs的平均密度分别为64.89±72.09/mm²、105.93±102.25/mm²、714.67±431.54/mm²、1015.42±504.01/mm²（n=202）；在瘤内区域，核心iTILs占总iTIL计数的40.43%，边界iTILs占59.57%；基质区域内，边界sTILs占总sTIL计数的32.80%，最外层sTILs占67.20%；补充分析显示30μm阈值具有良好的稳健性（文献未明确提供具体补充数据，基于图表趋势推测）。实验所用关键产品：Aperio GT450数字切片扫描仪（Leica Biosystems）；Lunit SCOPE IO AI分析系统。
3.3 AI评估结果的多维度验证
实验目的是验证AI系统评估TILs的准确性与可靠性，对比其与病理学家人工评估及传统Immunoscore的一致性。研究随机选取173个高质量图像网格，其中54个癌区占比≥80%的区域用于iTIL评估，60个基质区占比≥80%的区域用于sTIL评估，59个癌区与基质区占比均≥40%的区域用于两者评估；3名认证病理学家根据预定义指南独立评估TILs，采用半定量评分（1-5分，5分以上以5分递增）；采用Pearson相关系数（PCC）分析AI评估与病理学家评估、Immunoscore的相关性；Immunoscore的计算流程为：对连续切片进行CD3（多克隆，DAKO）、CD8（C8/144B, Thermo Fisher Scientific）免疫组化染色，使用Ventana XT自动染色仪，Aperio GT450扫描；由经验丰富的胃肠病理学家手动划定感兴趣区域（ROIs），排除坏死、脓肿、黏液池和黏膜相关淋巴组织，将ROIs分为1mm²的tiles并标注浸润边缘（IM）；分别定量IM和肿瘤中心（TC）的CD3+、CD8+ T细胞平均密度，Immunoscore为四个指标百分位数的平均值。结果显示，AI评估的iTIL与病理学家评估的平均PCC为0.57，观察者间平均PCC为0.47；AI评估的sTIL与病理学家评估的平均PCC为0.70，观察者间平均PCC为0.70，AI与病理学家的相关性与观察者间相关性相当；AI评估的iTIL密度与TC的CD3+、CD8+ T细胞密度的PCC分别为0.62、0.67（均p<0.001，n=202），sTIL密度与IM的CD3+、CD8+ T细胞密度的PCC分别为0.59、0.54（均p<0.001，n=202）；AI评估的iTIL、sTIL与Immunoscore的PCC分别为0.52、0.59（均p<0.001，n=202），表明AI系统能捕捉到与传统方法一致的生物学免疫信号。
实验所用关键产品：CD3抗体（多克隆，DAKO）、CD8抗体（C8/144B, Thermo Fisher Scientific）；Ventana XT自动染色仪（Ventana）。
3.4 预后价值分析与评分系统构建
实验目的是评估不同空间区域TILs的预后价值，构建基于AI的复合评分系统并与Immunoscore对比预后性能。研究采用单变量Cox比例风险回归分析各TILs亚群及临床病理变量与无病生存期（RFS）的关联；选取单变量分析中具有预后意义的区域构建复合评分：TIL评分为iTIL和sTIL密度的队列百分位数排名的平均值，TSB评分为边界iTIL、边界sTIL、最外层sTIL密度的队列百分位数排名的平均值；采用Spearman秩相关分析TIL评分、TSB评分与Immunoscore的相关性；多变量Cox回归分析调整肿瘤分期、MSI状态、淋巴管浸润、神经周围浸润、高级别肿瘤出芽等临床病理变量后，各评分系统的独立预后价值；计算Harrell’s C-index评估各评分系统的预测准确性，采用log-rank检验比较Kaplan-Meier生存曲线。结果显示，单变量分析中，边界iTIL、边界sTIL、最外层sTIL与RFS显著相关（HR分别为0.23、0.38、0.38，均p<0.001，n=202），核心iTIL无显著关联（HR=0.74，p=0.145，n=202）；TIL评分与Immunoscore的Spearman相关系数为0.62（p<0.001，n=202），TSB评分与Immunoscore的相关系数为0.60（p<0.001，n=202）；多变量分析显示，TIL评分（HR=0.17，95% CI 0.06-0.50，p=0.001，n=202）、TSB评分（HR=0.12，95% CI 0.04-0.36，p<0.001，n=202）、Immunoscore（HR=0.07，95% CI 0.02-0.24，p<0.001，n=202）均独立预测RFS；Harrell’s C-index结果显示，TSB评分为0.70，显著高于TIL评分的0.68（p=0.027，n=202），与Immunoscore的0.73相当（p=0.418，n=202）；按中位数分组，高评分组的RFS显著长于低评分组（TIL评分HR=0.31，95% CI 0.17-0.57，p<0.001；TSB评分HR=0.20，95% CI 0.10-0.38，p<0.001；Immunoscore HR=0.20，95% CI 0.10-0.38，p<0.001，n=202）；亚组分析显示，在MSI-high亚组中，仅TSB评分具有显著预后分层价值（HR=0.10，95% CI 0.01-0.93，p=0.013，n=70），TIL评分和Immunoscore无显著意义；在微卫星稳定（MSS）亚组中，三个评分系统均具有显著预后价值。
文献未提及具体实验产品，领域常规使用R统计软件（版本4.2.2及以上）进行统计分析。
4. Biomarker研究及发现成果
本研究涉及的Biomarker为基于AI空间分析的TILs亚群及衍生的TIL评分、TSB评分，筛选与验证逻辑为：首先基于肿瘤-基质边界对TILs进行空间亚分类，通过单变量Cox回归筛选具有预后意义的亚群，随后整合这些亚群的密度构建复合评分，最后通过多变量Cox回归验证其独立预后价值，并与经典Immunoscore对比性能。
Biomarker的来源为202例II/III期结直肠癌患者的H&E染色手术切片，通过AI系统定量不同空间区域的TILs密度，分别构建TIL评分（整合iTIL和sTIL密度）与TSB评分（整合边界iTIL、边界sTIL、最外层sTIL密度）；验证方法包括与病理学家人工评估、传统Immunoscore的相关性分析以确认准确性，通过单变量和多变量Cox回归分析评估独立预后价值，采用Harrell’s C-index评估预测准确性，Kaplan-Meier生存曲线分析预后分层能力；特异性与敏感性方面，文献未明确提供ROC曲线数据，基于生存分析结果，TSB评分在总队列中的C-index为0.70，在MSI-high亚组中HR=0.10（95% CI 0.01-0.93，p=0.013，n=70），显示出良好的预后分层能力。
核心成果方面，TSB评分作为新型预后Biomarker，在总队列中预后性能与Immunoscore相当，在MSI-high结直肠癌亚组中展现出优于Immunoscore的预后分层价值，可独立预测无病生存期（HR=0.12，95% CI 0.04-0.36，p<0.001，n=202）；其创新性在于首次基于AI技术对H&E染色切片中的TILs进行高分辨率空间亚分类并构建评分系统，无需额外免疫组化染色，具有成本低、可扩展性强的优势，为结直肠癌尤其是MSI-high亚型的风险分层提供了新的工具；此外，研究发现核心iTILs无显著预后价值，提示在TILs评估中排除肿瘤核心区域可提高预后分析的准确性，为后续TILs相关研究提供了方法学参考。