DeepLNM：多模态AI预测结直肠癌淋巴结转移，病理医生准确率提至97%

核心要点

• 问题：结直肠癌（colorectal cancer，CRC）有没有淋巴结转移（lymph node metastasis，LNM），直接决定肿瘤分期（N 分期）和后续要不要追加化疗，但影像和常规病理都存在漏判、误判，尤其微转移灶极易被漏掉。
• 方法：DeepLNM 是一个多中心多模态模型，融合原发灶苏木精-伊红（H&E）染色全切片图像（whole-slide image，WSI）、CT 影像和病历文本三类数据，经 SIM-MIL 模块做特征提取、跨模态融合与预测聚合，输出淋巴结转移概率。
• 结果：6 个队列共 1501 例患者验证，内部队列 AUC 达 0.922，两个外部队列 0.872 与 0.848，前瞻队列 0.845，跨癌种胃癌泛化 0.793；用户研究中初级病理医生准确率提升至 95.0%–97.3%。
• 意义：用"回顾 + 外部 + 前瞻 + 用户研究"四级证据初步验证了多模态病理 AI 的临床可用性，是医学影像 AI 诊断走向临床转化的一次扎实尝试。
• 原文：DeepLNM: A Multimodal Model for Predicting Lymph Node Metastasis in Colorectal Cancer，Advanced Science，2026-10-14，PMID 42873913

1. 结直肠癌淋巴结转移的临床挑战

结直肠癌是全球第四大癌症相关死因，也是中国高发的消化道恶性肿瘤。对每一位确诊患者，最关键的临床问题之一是：肿瘤有没有转移到区域淋巴结。在 TNM 分期体系里，淋巴结转移状态（N 分期）与肿瘤浸润深度（T 分期）一起，直接决定患者是否需要术后辅助化疗，是制定个体化治疗方案的基石。

但这个判断并不好做。影像上，CT 对微小淋巴结转移的敏感度有限；病理上，外科切除的标本里淋巴结数量多、单个淋巴结里的转移灶可能很小，微小转移灶（直径 0.2–2.0 mm）极容易被病理医生在大量切片中漏掉。漏判会导致分期不足、该化疗的没化疗；误判则让患者承受不必要的治疗负担。能不能让 AI 同时读懂病理切片、CT 影像和病历文本，把三路信息合起来更准地判断淋巴结转移？ 南方医科大学南方医院联合珠江医院、河北医科大学第四医院等单位发表在 Advanced Science 上的 DeepLNM 研究，就是冲着这个问题去的。

2. DeepLNM 的核心创新

这项工作的实质创新，在于把"单模态"升级为"多模态"、并给出可解释的临床证据，有三个点值得说。

第一，把病理、影像、文本三模态真正融合到一个预测框架里。 过去结直肠癌淋巴结转移的 AI 研究大多只看单一模态——要么只看病理切片，要么只看 CT。DeepLNM 把原发灶 H&E 切片、CT 影像和病历文本三类数据同时纳入，通过 SIM-MIL 模块在特征层面做跨模态融合与预测聚合，让模型能综合"镜下形态 + 影像形态 + 临床信息"一起下判断。

第二，用四级证据链做验证，而不只报一个内部测试集数字。 它同时给出了回顾性内部验证、两个独立外部队列、一个注册临床试验（NCT07239063）来源的前瞻队列，以及跨癌种（胃癌）泛化验证，这在同类病理 AI 研究中相当少见，直接把"模型到底靠不靠谱"的证据等级往上拉了一档。

第三，用聚类和可视化回应"黑箱"质疑。 模型不但给分数，还通过无监督聚类和 UMAP 投影揭示它学到的特征与淋巴结转移状态高度对应——其中一类细胞群 100% 由转移阳性图像块组成、另一类阳性率 99.5%，让病理医生能"看懂"模型在看什么。

3. 技术原理：三模态融合怎么预测淋巴结转移

整条链路可以拆成输入、处理、输出三步。输入是三路并行的数据：原发灶 H&E 全切片图像（40× 数字化扫描）、CT 影像（含增强与非增强、DICOM 格式）、以及从临床病历里抽取的文本信息。处理阶段，模型分别对三路数据做特征提取，再在 SIM-MIL（一种多实例学习）模块里完成跨模态融合与预测聚合，把"镜下看到什么、影像上长什么样、病历里记了什么"对齐到同一个语义空间。输出则是该患者发生淋巴结转移的概率评分。

评价方式上，判别能力用 AUC（受试者工作特征曲线下面积）衡量；临床价值则额外用一个用户研究来验证——让病理医生在"有无 AI 辅助"两种条件下读同一批淋巴结切片，比较准确率、耗时和信心。需要特别说明的是，这里测的是一个研究阶段的模型开发与验证系统，它的前瞻队列来自注册临床试验、属于初步临床验证，但距离"获批上市、常规临床应用"还有距离，不能把模型能力等同于一个已经落地的完整诊断产品。

4. 数据说话：多队列 AUC 0.845–0.922

最硬的一组数字是：在 6 个队列共 1501 例患者（其中淋巴结转移阳性 640 例、占 42.6%）上，DeepLNM 内部 AUC 0.922，两个独立外部队列 0.872 与 0.848，来自注册临床试验 NCT07239063 的前瞻队列仍保持在 0.845；即便换到组织学差异很大的胃癌上，泛化 AUC 也有 0.793。作者还报告它在与其他 7 个模型的对比中排名第一。

但性质要说清楚。这是模型开发与验证研究，前瞻队列虽然来自注册临床试验，也只构成"初步临床验证"，不等于随机对照试验证明的临床获益；且各队列的 AUC 均未给出置信区间，样本量以回顾性队列为主，实际临床增益仍需更大规模的前瞻性、甚至随机对照研究来确认。用户研究里"准确率提升至 95%–97%“针对的是初级病理医生在特定读片任务下的表现，也不能直接外推到所有场景。

5. 从实验室到临床：应用前景与局限

在应用层面，这套模型可能带来几个方向。一是辅助病理分期的"第二双眼睛”：对淋巴结数量多、微转移灶易漏的结直肠癌标本，AI 可辅助病理医生做初筛和提示，把精力聚焦到可疑区域；二是辅助多学科治疗决策：结合 T 分期与淋巴结转移风险，帮助更客观地评估是否需要辅助化疗；三是可解释的科研工具：聚类与可视化揭示的形态学模式，可用于病理科研中理解转移相关的组织学特征。

局限同样必须正视。第一，前瞻队列样本量有限（166 例），且缺乏与随机对照试验同等强度的临床获益证据；第二，训练与验证数据主要来自国内少数几家中心，跨地区、跨设备、跨染色条件的普适性仍需独立外部验证；第三，多模态数据（尤其 CT 与文本）的获取和标准化成本高，落地到基层或资源有限机构存在门槛；第四，模型输出是"转移风险概率"而非最终诊断，仍需病理医生的专业判读兜底。

6. 结论与产业启示

这项研究最核心的结论是：融合病理切片、CT 与文本的多模态模型 DeepLNM，在 1501 例多队列验证中把结直肠癌淋巴结转移的判别 AUC 稳定做到 0.845–0.922，并能把初级病理医生的诊断准确率提升到 95%–97%——但这一切仍属模型开发与初步前瞻验证，尚需随机对照研究来证明真正的临床获益。

对医疗 AI 产业有三点启示。其一，多模态是病理 AI 的确定性方向：单看切片不够、单看 CT 也不够，把空间生物标志物可解释病理式的"切片信息"与腹部 CT 通用识别式的"影像信息"合起来，才能逼近临床真正需要的判断。其二，医疗 AI 评估验证要舍得花力气做四级证据：DeepLNM 的"回顾 + 外部 + 前瞻 + 用户研究"组合，正是术中病理基础模型这类系统走向临床前应当对齐的评估标准——只报一个内部测试集的高分早已不够。其三，可解释性是病理医生愿意用的前提：让医生看懂模型在看什么，比单纯把 AUC 再提高几个点更能换来真实使用。这正是一条需要长期打磨的医疗 AI 解决方案路径。

相关问题

问：DeepLNM 现在就能用于临床诊断淋巴结转移吗？ 答：还不能直接用于常规临床诊断。它已完成多队列和初步前瞻验证，但前瞻队列样本量有限，缺乏随机对照试验证明的临床获益，仍需更大规模前瞻性与独立外部验证，目前更接近"研究阶段的辅助工具"。

问：它会替代病理医生吗？ 答：不会。它的定位是辅助——帮病理医生初筛、提示可疑区域、提升读片效率与准确率，最终诊断和分期判断仍由病理医生完成，模型输出只是"风险概率"而非结论。

问：这套思路对中国的结直肠癌诊疗意味着什么？ 答：有现实意义——中国结直肠癌患者多、病理工作量大，多模态 AI 辅助分期有明确需求。但落地需要本土多中心数据、标准化扫描与质控流程，以及符合监管要求的验证，不能直接照搬该研究的 AUC 结论。

参考文献

1. Zhang Z, Lu C, Wang Z, et al. DeepLNM: A Multimodal Model for Predicting Lymph Node Metastasis in Colorectal Cancer. Advanced Science, 2026. https://doi.org/10.1002/advs.77860
2. Spatial biomarker discovery via interpretable semantic learning in histopathology. Cancer Cell, 2026. https://doi.org/10.1016/j.ccell.2026.05.014
3. Chuang WY, Chen CC, Yu WH, et al. Identification of nodal micrometastasis in colorectal cancer using deep learning on annotation-free whole-slide images. Modern Pathology, 2021, 34(10): 1901–1911. https://doi.org/10.1038/s41379-021-00838-2

本文基于该论文的独立解读，仅供学术交流，不构成临床建议。