结直肠癌是全球高发的消化系统恶性肿瘤之一。淋巴结转移（LNM）状态是肿瘤分期（N Stage）、手术方案制定、预后评估和个体化治疗的关键指标。淋巴结转移阳性患者复发风险显著升高，直接决定患者辅助治疗方案的选择。尽管术前影像学检查可进行LNM状态的评估，但最终需依赖术后病理组织学诊断进行确诊。近年来，已有部分病理组学、影像组学及病理基础模型在LNM状态预测任务中展示优势，但多数AI 预测模型局限于为单模态模型，无法同时融合宏观影像特征与微观组织病理形态，并临床应用存在局限，未经病理医生进行用户研究验证。因此，亟需研发经多维度验证的多模态智能预测模型，助力结直肠癌淋巴结转移精准评估。

本研究纳入国内3家大型三甲医院及1个公开数据集（TCGA），收集包含回顾性、前瞻性共1501例患者数据，其中额外包含110例胃癌探索性队列，以供跨癌种泛化验证。该模型采用专用预训练编码器分别提取H&E全切片图像（WSI）、影像CT、临床文本的高维特征；引入缺失模态聚合器（Missing Modality Aggregator）解决临床模态（CT）数据缺失难题；提出SIM-MIL（随机实例掩码多实例学习）模块完成多模态特征聚合，完成患者级别淋巴结转移预测。

▲研究汇总图（队列、算法技术路线、性能展示）

研究结果显示，DeepLNM的内部AUC达0.922；两个外部验证队列AUC分别为0.872和0.848；前瞻性队列AUC可达0.845，展现出稳健的跨中心泛化性能。与单模态模型相比，多模态模型性能优于仅依赖病理、CT或临床文本的单模态模型，基准优于现有7种MIL。在面向胃癌的探索性验证中，DeepLNM的AUC为0.793，尽管受癌种类型及形态差异等限制，性能有所下降，但决策曲线分析（DCA）有净获益且优于其他基线模型，具备一定的跨癌种迁移潜力。病理热图分析显示，预测为LNM阳性的WSI中模型高关注区域为低分化肿瘤、坏死等区域，而预测为阴性的WSI中模型高度关注淋巴浸润、高分化的腺体等区域，具有良好的可解释性。在临床验证中，用户研究（User Study）结果表明在DeepLNM辅助下，病理医师整体诊断效能提升，其中初级病理医师诊断准确率由95.0% 提升至 97.3%，阅片效率及诊断自信心均有所提高。

本研究构建的DeepLNM是首个经过回顾性及前瞻性多维度验证的结直肠癌淋巴结转移多模态模型，兼顾模型性能、可解释性与临床实用性，完成了“多中心回顾—前瞻性验证—泛化性探索—可解释性分析—临床用户验证”的研究链条。DeepLNM有望缓解病理人才短缺带来的诊断压力，进一步推动病理AI走向临床落地。

《Advanced Science》是Wiley出版社旗下的知名开源期刊（影响因子14.1，JCR Q1区），致力于发表材料科学、物理学、化学、医学、生命科学及工程领域具有顶尖水平的基础和应用研究成果，具有较高的国际学术影响力。