目的本研究旨在基于数字病理图像,使用深度学习算法计算鼻咽癌肿瘤浸润性淋巴细胞(Tumor infiltrating lymphocyte,TIL)的浸润程度,同时构建转移风险预测模型,以区分患者的转移风险,并分析其在鼻咽癌中的预后预测价值。方法研究分析了江西省肿瘤医院和中山大学附属肿瘤医院共404例初诊非转移性鼻咽癌病例。首先使用卷积神经网络VGG(Visual Geometry Group)模型计算TIL浸润程度,随后利用聚类约束的注意力多实例学习方法构建转移风险预测模型并得出转移预测评分,最后分析TIL浸润程度及转移预测评分对转移风险的区分能力及独立预后价值。结果VGG模型所计算的TIL高浸润患者的5年DMFS(中心1:92.1%vs 71.9%,P=0.00091;中心2:97.3 vs 90.8%%,P=0.012)和OS(中心1:88.8%vs 70.3%,P=0.0067;中心2:97.4%vs 82.4%,P<0.0001)显著高于低浸润患者。研究所构建的转移预测模型能够很好地识别高低转移风险的患者(AUC=0.86),高风险患者的5年DMFS(57.8%vs 96.intestinal dysbiosis4%,P<0.001)和OS(64.2 vs 88.8%%,P<0.001)显著劣于低风险患者。多因素分析显示TIL浸润程度和转移预测评分均为DMFS(TIL浸润程度:HR=0.389,95%CI:0.173-0.874,P=0.022;转移预测评分:HR=10.440,95%CI:5.599-19.466,P<0.001)和OS(TIL浸润程度:HR=0.374,95%CI:0.195-0.718,P=0.003;转移预测评分:HR=2.779,95PR-171%CI:1.760-4.387,P<0.001)的独立预后因素。结论研究证MK-1775抑制剂明了基于数字病理图像的深度学习方法评估的TIL浸润程度与鼻咽癌预后密切相关,转移预测模型所得出的转移预测评分可作为转移和死亡的有效的预后评估指标。深度学习模型有助于挑选出转移风险高的患者,为日后更精准的个体化治疗提供参考。