中山大学×郑州大学合作Cell子刊：利用多模态AI模型，支持食管癌个性化治疗决策

食管癌（EC）是一种相对常见的恶性肿瘤，也是癌症相关死亡的第七大原因。其中，食管鳞状细胞癌（ESCC）约占食管癌病例的约 80%，其预后不佳，在很大程度上是由于通常在晚期才被诊断出来。

单独的外科手术干预已被证实对于晚期 ESCC 治疗效果有限。相比之下，新辅助免疫化疗（neoadjuvant ImmunoChemotherapy，nICT）已成为治疗食管癌（尤其是 ESCC）的一种很有前景的治疗手段。然而，nICT 仅在 20%-40% 的患者中达到最佳效果，过度治疗可能会加剧不良反应的风险。

因此，我们迫切需要找到能够预测患者对 nICT 治疗响应的可靠的生物标志物，从而改善患者预后并减少不必要的毒性副作用。

多模态深度学习，已成为医疗领域的一项变革性工具，通过利用多种数据源来提高预测性能。对于食管鳞状细胞癌（ESCC），常规诊断数据，例如计算机断层扫描（CT）图像和组织病理学活检切片，包含有价值的信息，能够捕捉肿瘤的空间结构、形态特征和细胞层面的特征，从而实现更准确和细致的预测。

尽管整合这些数据源具有巨大潜力，但利用多模态深度学习来预测食管鳞状细胞癌对新辅助免疫化疗（nICT）疗效的研究，仍处于探索阶段。

为解决上述空白，研究团队开发了一个多么台深度学习框架——eSPARK，将多尺度医学影像与语义细胞学知识相结合，以探究影响 nICT 疗效的肿瘤免疫微环境（TIME）特征，从而支持食管癌的 nICT 治疗中的知情决策。

该模型基于来自三个独立地区的 344 名患者的资料开发而成，这些患者均具有治疗前配对的计算机断层扫描（CT）图像和病理切片，以及术后病理完全缓解（pCR）结果。通过纳入细胞学语义信息，eSPARK 展示出卓越的泛化能力，优于单模态模型，并在多中心数据集中实现了稳健的预测准确性。

此外，多尺度可解释性模块还识别出若干与 nICT 治疗响应相关的生物标志物，包括肿瘤微环境中的中性粒细胞与淋巴细胞比值（neutrophil-to-lymphocyte ratio，NLR）。

该研究的核心发现；

深度学习预测食管鳞状细胞癌新辅助免疫化疗响应；

CT 成像与病理数据的多模态整合更胜一筹；

细胞学语义信息增强了组织学预测；

中性粒细胞与淋巴细胞比值较低可能预示着更好的治疗响应；

总的来说，该研究突显了 eSPARK 在局部晚期食管癌的个性化治疗决策方面的强大潜力，以及通过多学科数据整合推进精准肿瘤学的更广泛意义。

论文链接：

https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(25)00552-X