患者队列构建与病理参数提取
收集pT1 CRC患者队列，并获取临床病理参数（包括NCCN风险因素）作为风险分层的基础。
从四个机构（CCFR、UPMC、Mount Sinai、Mayo Clinic）收集非新辅助治疗且手术切除的CRC，筛选出512例pT1 CRC。提取年龄、性别、肿瘤位置、淋巴结状态、组织学分级、淋巴管浸润、肿瘤出芽分级和浸润深度等数据。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
定量病理分析pT1结直肠癌以改进淋巴结转移预测的价值
Utility of quantitative pathologic analysis of pT1 colorectal carcinomas to improve prediction of lymph node metastasis
实验完整度
高研究包含多机构512例手术切除的pT1 CRC队列和29例内镜下切除的验证队列，利用QuantCRC算法提取15种定量病理特征，结合NCCN风险因素进行LASSO和逻辑回归建模，并进行了模型性能比较和独立队列验证。
主要模型
512例手术切除的pT1 CRC队列（来自CCFR、UPMC、Mount Sinai、Mayo Clinic） 29例内镜下切除后行手术切除的pT1 CRC验证队列
重点核对
NCCN风险分层（低危vs高危） 病理学评估的淋巴管浸润（LI） QuantCRC特征：%high-grade、%TB/PDC、%inflammatory stroma（间质面积） 淋巴结状态（pN0/pN+） 预测概率截断值0.092
摘要
根据美国国家综合癌症网络（NCCN）指南，对黏膜下浸润（pT1）结直肠癌（CRC）应评估肿瘤分级、淋巴管浸润和肿瘤出芽，以确定淋巴结转移风险。存在这些高风险特征中的任何一种，都是对内镜下切除的pT1 CRC进行手术的指征。在本研究中，我们确定了使用QuantCRC算法进行定量病理分析是否能在512例手术切除的pT1 CRC的多机构队列中增强NCCN风险分层。LASSO回归识别出%高级别、%炎性间质（间质面积）和%肿瘤出芽/低分化簇（%TB/PDC）为重要的QuantCRC特征，并用于后续的逻辑回归分析。使用NCCN和QuantCRC变量构建了五个逻辑回归模型，其中NCCN+QuantCRC组合模型提供了最高的曲线下面积（AUC）0.74（95% CI 0.68–0.81）。在NCCN+QuantCRC模型中，预测概率截断值为0.092时，敏感性为78.3%，特异性为62.1%，高风险（HR）肿瘤的淋巴结阳性率为24.3%，而低风险（LR）CRC为5.2%。15例pT1 CRC从NCCN LR重新分类为NCCN+QuantCRC HR，其中3/15（20%）显示淋巴结阳性。NCCN+QuantCRC模型中淋巴结转移的预测概率中位数用于定义两个HR组（HR1：0.092–0.218和HR2：>0.218）。HR2 CRC的淋巴结阳性率为31.5%，而HR1 CRC为17.1%（P=0.02）。最后，在29例内镜下切除后行手术切除的pT1 CRC队列中验证了NCCN+QuantCRC模型。在NCCN+QuantCRC模型中，该队列中的8例pN+CRC的淋巴结转移预测概率中位数高于21例pN0 CRC（0.219 vs. 0.080，P=0.04）。总之，添加QuantCRC的变量可以改善pT1 CRC的风险分层，优于单独的NCCN标准。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 定量病理分析（QuantCRC）能否增强NCCN风险分层对pT1 CRC淋巴结转移的预测能力？
- 核心机制
- QuantCRC 特征（%high-grade、%TB/PDC、%inflammatory stroma）与淋巴结转移相关，其联合NCCN风险因素可提高预测淋巴结转移的准确性。
- 主要证据
- 基于512例手术切除的pT1 CRC队列，LASSO回归和逻辑回归分析显示NCCN+QuantCRC模型AUC最高（0.74），并在29例内镜下切除的验证队列中，该模型能区分pN0和pN+（预测概率中位数0.080 vs 0.219，P=0.04）。
- 研究意义
- 定量病理分析可改善pT1 CRC的风险分层，为权衡手术风险与观察风险提供更精确的预测概率，有助于临床决策。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
QuantCRC定量病理特征提取
利用QuantCRC算法从H&E染色切片中提取定量病理特征，以客观化病理评估。
将肿瘤H&E切片数字化（Leica Aperio GT450或AT2，40倍），上传至Aiforia Create平台，应用QuantCRC算法分割图像并计算15个定量特征，包括%tumor、%stroma、%TB/PDC、%high-grade等。
构建和比较逻辑回归模型
评估QuantCRC特征单独或联合NCCN风险因素预测淋巴结转移的能力。
使用LASSO回归筛选QuantCRC特征，构建五个逻辑回归模型：QuantCRC、NCCN风险分类、单个NCCN特征（分级、LI、Bd）、单个NCCN特征+QuantCRC、NCCN风险分类+QuantCRC。比较各模型的AUC和AIC，选择最优模型。
模型性能验证
验证所选模型在独立队列中的预测性能。
收集29例内镜下切除后行手术切除的pT1 CRC作为验证队列，应用NCCN+QuantCRC模型计算预测概率，比较pN0和pN+组间的预测概率差异。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 病理切片扫描 | Leica Aperio GT450 | Leica | -- |
| Leica Aperio AT2 | Leica | -- | |
| 深度学习平台 | Aiforia Create | Aiforia Technologies | -- |
| 统计分析 | R 4.2.2 | -- | -- |
| Python 3.11.8 | -- | -- | |
| SPSS 28.0 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 队列选择 | 纳入标准（非新辅助治疗、手术切除） 阅读提示：Materials and methods - Cohort description |
| QuantCRC应用 | 扫描仪（Leica Aperio GT450/AT2）、放大倍数（×40）、Aiforia平台版本 阅读提示：Materials and methods - Application of QuantCRC |
| NCCN风险因素评估 | 组织学分级、淋巴管浸润、肿瘤出芽（Bd1-3） 阅读提示：Materials and methods - Pathologic review and NCCN risk stratification |
| 统计建模 | LASSO回归、逻辑回归模型、AUC、AIC、截断值 阅读提示：Materials and methods - Statistical analysis and logistic regression modeling |