小赛推荐：
该研究提出了食管鳞癌的四类共识分子亚型（ECMS），并开发了基于H&E图像的深度学习分类器imECMS，实现了精准预后预测和治疗响应评估，推动了食管鳞癌个体化治疗的发展。
文献概述
本文《The consensus molecular subtypes of esophageal squamous cell carcinoma》，发表于《Signal Transduction and Targeted Therapy》杂志，回顾并总结了食管鳞癌（ESCC）分子异质性的复杂性，系统整合了八种已有分子分型体系，通过网络分析方法定义了四类具有明确生物学特征和临床意义的共识分子亚型（ECMS）。研究进一步开发了基于H&E全切片图像的深度学习分类工具imECMS，实现了无需高通量测序即可精准分型，显著提升了该分类体系的临床可及性。该工作为ESCC的精准分型、预后判断和个体化治疗提供了强有力的框架。本文的研究成果在多个独立队列中得到验证，显示出高度的可重复性和临床转化潜力。背景知识
食管鳞癌（ESCC）是全球范围内高发的恶性肿瘤，尤其在东亚地区发病率居高不下，其预后极差，五年生存率不足20%。尽管近年来多组学研究揭示了ESCC的分子异质性，并提出了多种分子分型系统，但这些系统多基于单一组学数据，且在不同研究间存在显著不一致性，严重限制了其临床应用。缺乏统一、标准化的分子分类体系导致治疗策略缺乏精准性，患者难以实现个体化治疗。此外，高成本的组学测序也阻碍了分子分型在常规病理中的普及。因此，建立一个稳健、可重复且临床可行的共识分子分型系统，成为亟待解决的关键问题。近年来，深度学习在数字病理领域的成功应用，为从常规H&E图像中挖掘深层分子信息提供了新思路。本研究正是在此背景下，通过整合多组学数据和病理图像，旨在建立一个兼具生物学深度和临床实用性的新型分类框架，以克服现有分型系统的局限性，为ESCC的精准医学提供新工具。
研究方法与实验
研究团队首先收集了包含152例食管鳞癌患者的多组学队列（SXM-I），整合了基因组、转录组、甲基化组等数据。通过相似性网络融合（SNF）方法进行多组学聚类，定义了四类多组学亚型（MESCC）。随后，采用网络聚类方法整合了包括MESCC在内的八种已有ESCC分型系统，构建亚型关联网络，并通过马尔可夫聚类算法（MCL）最终确定了四类共识分子亚型（ECMS1-4）。基于差异表达基因，开发了用于转录组数据分类的随机森林分类器。进一步，研究团队利用深度学习构建了组织分割模型ESCC-SPA，对H&E全切片图像进行自动区域识别，提取多尺度空间组织特征（SOFs）。基于这些SOFs，采用极端随机树算法开发了图像分类器imECMS，用于预测ECMS亚型。该分类器在多个独立队列中进行了训练、验证和前瞻性测试，评估其与分子亚型的一致性、预后价值及治疗反应预测能力。关键结论与观点
研究意义与展望
本研究最大的意义在于提供了一个标准化、可重复的食管鳞癌分子分型框架（ECMS），解决了以往分型系统不一致的问题，为跨研究比较和临床应用奠定了基础。它不仅深化了对ESCC分子异质性的理解，还为不同亚型的患者提供了潜在的治疗策略依据，如ECMS3-IM亚型可能更适合免疫治疗，而ECMS2-CLS亚型可能对CDK抑制剂敏感。
更重要的是，imECMS分类器的开发是本研究的突破性贡献。它成功地将复杂的分子分型转化为基于常规H&E图像的病理诊断流程，极大地降低了精准分型的门槛和成本，使得该体系有望在各级医院广泛推广。这为实现食管鳞癌的精准医疗提供了切实可行的工具。未来的研究应聚焦于在更大规模、多中心的前瞻性队列中验证imECMS的效能，并探索其在指导临床治疗决策中的实际应用价值。
结语
本研究通过系统整合多种分子分型体系，确立了食管鳞癌的四类共识分子亚型（ECMS），为理解其复杂的肿瘤异质性提供了统一的生物学框架。每个亚型不仅具有独特的分子特征和微环境景观，还与特定的临床预后和治疗反应相关联，为个体化治疗策略的制定提供了重要依据。研究的另一大亮点是开发了基于深度学习的imECMS分类器，该工具能够从常规H&E病理图像中精准预测分子亚型，解决了高成本组学检测限制临床应用的瓶颈。imECMS的高准确性、低成本和易用性使其极具临床转化前景，有望成为未来食管鳞癌病理诊断的常规组成部分。总的来说，ECMS/imECMS体系为食管鳞癌的精准分型、预后评估和治疗选择提供了迄今为止最稳健和实用的框架，标志着向实现真正意义上的精准医疗迈出了关键一步，具有深远的临床意义和应用价值。
