中山大学姚和瑞教授与余运芳博士团队基于人工智能的多模态多任务分析揭示甲状腺乳头状癌的肿瘤分子异质性，预测术前淋巴结转移及预后在International Journal of Surgery发表

论文题目：Artificial intelligence-based multi-modal multi-tasks analysis reveals tumor molecular heterogeneity, predicts preoperative lymph node metastasis and prognosis in papillary thyroid carcinoma: a retrospective study.

通讯作者：龙淼云；姚和瑞

第一作者：余运芳；欧阳文浩 等

论文发表刊物：International Journal of Surgery

【研究背景】

乳头状甲状腺癌（papillary thyroid carcinoma，PTC）是全球最常见的甲状腺癌类型，尤其在发生淋巴结转移（lymph node metastasis，LNM）时更具临床挑战性。由遗传改变和肿瘤微环境成分共同驱动的分子异质性，使PTC的生物学行为更加复杂。深入理解这些复杂性对于实现精准的风险分层和治疗决策至关重要。

【主要发现】

本研究基于多组学数据与病理图像，系统揭示了甲状腺乳头状癌的分子异质性特征，明确不同突变类型与肿瘤微环境及淋巴结转移密切相关。构建的多模态深度学习模型可在术前有效预测淋巴结转移及无病生存风险，实现精准分层，为个体化手术决策和预后评估提供可靠依据。

主要发现 1：本研究共纳入1011例PTC患者，包括队列1的256例、队列2的275例以及TCGA队列的499例。在队列1中，研究者基于BRAF、RAS、RET及其他突变将PTC划分为四种分子亚型。结果显示，BRAF突变与淋巴结转移显著相关，并对DFS产生重要影响。scRNA-seq分析发现，在伴有淋巴结转移的BRAF突变型PTC中，存在不同的T细胞亚群以及B细胞多样性降低的现象。研究还探讨了癌相关成纤维细胞和巨噬细胞，揭示其与淋巴结转移之间的关联。

主要发现 2：本研究构建了融合病理图像、转录组、突变基因及免疫细胞特征的多模态深度学习模型，可同时实现甲状腺乳头状癌术前淋巴结转移及无病生存预测。深度学习模型在405张病理切片和328例PTC患者的RNA测序数据上进行训练，并在TCGA队列中140例患者的181张病理切片和RNA测序数据上进行验证。模型表现出较高的预测准确性：训练队列的曲线下面积（AUC）为0.86，验证队列为0.84，真实世界队列2为0.83。训练队列中的高风险患者DFS显著降低（P < 0.001），模型在1年、3年和5年的AUC分别为0.91、0.93和0.87。在验证队列中，高风险患者同样表现出较低的DFS（P < 0.001），其1年、3年和5年的AUC分别为0.89、0.87和0.80。

主要发现 3：基于注意力机制的病理图像分析显示，不同分子突变类型及淋巴结转移状态的肿瘤在组织学层面存在显著差异。模型高关注区域主要集中于肿瘤侵袭前沿及结构紊乱区域，且在淋巴结转移病例中高风险关注区域范围更广、强度更高，提示深度学习模型能够捕捉与分子特征和转移行为相关的关键病理形态学信息，具有良好的可解释性。

【研究意义】

基于人工智能（AI）的综合分析揭示了PTC分子异质性的关键信息，突出强调了BRAF突变的临床影响。该整合型深度学习模型在转移预测方面展现出良好前景，有望为PTC的诊断优化和个体化治疗策略提供重要支持。

论文链接: https://journals.lww.com/international-journal-of-surgery/fulltext/2025/01000/artificial_intelligence_based_multi_modal.77.aspx

阅读二维码：