基于影像和病理融合的胃肠道肿瘤微卫星不稳定（MSI）评估及免疫治疗疗效预测

The incidence of gastric cancer and colorectal cancer ranks the fifth worldwide, and the mortality rate ranks the top five. China is one of the countries with the highest incidence of gastrointestinal cancer in the world. High-frequency microsatellite unstable (MSI-H) patients can benefit significantly from immune checkpoint inhibitors. Patients with MSI-H cover 5.6%-33.3% in gastric cancer, and MSI-H is more common in colorectal cancer. Currently, PCR technique is usually used for detecting microsatellite instability (MSI), whose implementation is restricted in high-level hospitals, thus causing a lack of determination of MSI status. To solve this problem, this project plans to collect retrospective and prospective clinical data of gastric cancer and colorectal cancer, extract highly relevant key radiomic features from CT and pathology images, combine clinical information with these features, and finally build prediction model of MSI status via artificial intelligence. In addition, a small number of MSI-H gastric cancer patients and a majority of microsatellite stable gastric cancer patients are unable to benefit from immunotherapy, so prediction of outcome before treatment is urgently needed. In view of this clinical demand, this project will further build a prediction model of immunotherapy response based on CT and pathology image, and validate its performance on prospective data. The proposed models in this project will help guide treatment decision-making, and thus improve prognosis of patients.

胃癌和结直肠癌在世界范围内的发生率和死亡率都高居前五位，我国是全球胃肠道肿瘤发病率最高的国家之一。微卫星高度不稳定型（MSI-H）患者能够从免疫检查点抑制剂中明显获益。MSI-H在胃癌中的比例为5.6%-33.3%，在结直肠癌中，MSI-H则更加普遍。目前检测微卫星不稳定性（MSI）状态的方法为PCR，但仅在高级别的医院才能实施。针对这一问题，本项目拟收集回顾性和前瞻性的胃癌和结直肠癌大数据，通过影像组学方法从CT和病理影像中提取相关的影像组学特征，结合临床等信息，利用人工智能技术对MSI分型进行预测。此外，少数MSI-H肿瘤和多数微卫星稳定型的胃癌患者无法从免疫治疗中获益，亟需预测免疫治疗效果的模型。针对此临床需求，本项目拟采用组学方法，结合患者的治疗信息，及影像，病理构建多组学免疫治疗疗效预测模型，并在前瞻性数据上进行验证。本项目构建的模型将有助于指导临床治疗决策，改善患者的预后。

我国是全球胃癌发病率最高的国家之一，给我国带来了巨大的社会和经济负担。微卫星高度不稳定（MSI-H）患者能够从免疫治疗中获益，目前检测微卫星不稳定性（MSI）的方法为聚合酶链式反应（PCR），但仅在部分高级别医院才能实施，如何在治疗前预测患者MSI状态是一个挑战。.针对这一临床问题，本项目利用人工智能方法从胃癌CT影像和病理图像中提取与MSI-H高度相关的核心特征，构建了一套胃癌MSI状态预测模型，在患者治疗之前预判患者的MSI状态。此外，本项目还将研发的智能方法扩展应用于胃癌淋巴结转移预测、预后预测等方面，均取得了较好的临床效果。项目组在临床权威期刊Annals of Oncology、Gastrointestinal Endoscopy等上发表系列SCI论文。项目负责人还获评基金委优青、中国图象图形学会青年科学家等称号。.本项目的重要研究进展如下：.1）围绕胃癌MSI预测，项目组与北京大学肿瘤医院合作，收集674例胃癌患者的病理图像，其中399例患者有MSI状态的检测。项目组完成了一套基于数字病理图像智能分析的胃癌MSI预测模型，创新了半监督学习训练框架、基于弱监督学习的关键区域筛选算法以及多类别特征提取技术，同时提取深度学习特征和高通量预定义特征，对MSI状态进行预测。模型的AUC达到0.76，在公开数据集上的AUC也达0.72。此外，MSI预测模型的精度比监督式深度学习提高11%。.2）围绕胃癌淋巴结转移预测，项目组从北京大学肿瘤医院等6家医院收集730例胃癌患者的术前CT影像和临床数据，基于CT影像的预定义特征和密集神经网络特征构建了胃癌淋巴结转移预测模型，该模型诊断精度比现有临床方法提高17%以上，显著提高了影像辅助淋巴结转移诊断的效果。英国临床肿瘤专家David Cunningham 教授在Annals of Oncology上同期发表述评文章，评价该模型“比临床N分期和其它临床特征更精确”。.综上，项目组完成了预期研究任务，利用人工智能方法提高了病理预测MSI的效能，有望使胃癌患者从中获益。