EBV-TRACER：基于双阶段染色归一化的人工智能系统精准预测胃癌活检及切除标本中EBV状态

本研究针对EBV阳性胃癌（EBV-GC）检测中存在的染色差异大、泛化能力不足及活检样本验证缺乏等问题，开发了一种基于双阶段染色归一化的深度学习分类器EBV-TRACER。该系统在内部和外部验证队列中均表现出稳定的高性能（AUC最高达0.8414），显著优于传统染色归一化方法，可有效提升胃癌诊断效率和治疗策略制定的准确性。

　　

胃癌是全球范围内常见的恶性肿瘤，2020年其发病率位居第五、死亡率排名第四，严重威胁人类健康。传统上，胃癌根据组织学特征分为乳头状癌、管状癌、黏液癌和低黏附性癌等亚型，然而这种分类方式在临床诊断和治疗中的效果有限。随着基因组学和蛋白质组学的发展，胃癌被重新划分为四种分子亚型，包括EB病毒（Epstein-Barr virus, EBV）相关型、微卫星不稳定（microsatellite instable, MSI）型、基因组稳定（genomically stable, GS）型和染色体不稳定（chromosomal instability, CIN）型。其中，EBV相关胃癌（EBV-GC）约占全部胃癌的9%，多见于年轻男性，好发于胃近端，分化程度中等至差。尽管EBV-GC具有独特的病理学、基因组和临床特征——如较低的淋巴结转移率、较高的程序性死亡配体1（PD-L1）表达水平以及较好的预后，但其确诊仍依赖EBV编码小RNA（EBER）的原位杂交（in situ hybridization, ISH）检测，即EBER-ISH。由于该检测方法成本高、阳性率低，并未在临床中常规开展，因此迫切需要开发基于常规苏木精-伊红（H&E）染色切片的替代诊断方案。

近年来，人工智能（AI）尤其是深度学习技术已广泛应用于胃癌分子亚型的预测与分析，包括MSI状态、基因变异及患者预后等。尽管已有一些研究尝试构建EBV-GC的预测模型，但它们仍面临两大挑战：一是模型泛化能力存疑，由于染色差异（源于样本制备、染色流程和扫描设备等因素）导致性能显著下降；二是现有研究多基于手术切除标本，缺乏对活检标本的验证，而早期检测对患者治疗选择具有重要意义。为此，本研究提出了一种新型双阶段染色归一化的人工智能分类器——EBV-TRACER，旨在准确、可靠地预测活检及切除标本中的EBV-GC阳性。

本研究采用回顾性设计，从Kangbuk Samsung Hospital（KSH）和The Cancer Genome Atlas（TCGA）共纳入2684例胃癌标本，划分为内部开发队列、内部验证队列和外部验证队列（TCGA-STAD）。关键技术方法包括：1. 双阶段染色归一化，先基于缩略图进行幻灯片级归一化，再在原图上完成区块级归一化，以消除染色差异；2. 基于EfficientNet的区块级EBV状态分类模型，输出三种预测评分：EBV阳性癌组织与总组织比（EBV+/Tissue）、EBV阳性癌与肿瘤比（EBV+/Tumor）及EBV阳性癌区域面积（EBV+Size）；3. 采用Hover-Net进行淋巴细胞核分割与定量分析，以探索其与EBV状态的关系。

研究结果

模型性能比较

EBV-TRACER在内部验证队列中AUC介于0.6596至0.8414之间，在外部验证队列（TCGA-STAD）中三种评分对应的AUC分别为0.7644、0.7652和0.7221，均显著优于未归一化及传统归一化方法。结果表明，双阶段归一化有效提升了模型跨数据集和扫描设备的稳定性。

染色归一化效果验证

与深度学习归一化方法（StainGAN、StainNet）相比，EBV-TRACER在多数评分标准下表现更优或相当，且无需针对目标数据重新训练，实用性更强。视觉对比显示，该方法更好地保持了组织结构和染色真实性。

淋巴细胞特征分析

EBV阳性标本中淋巴细胞数量和面积比例均显著高于阴性标本，但其单独预测EBV状态的效能有限（AUC最高0.7103），低于EBV-TRACER的综合评分。结合淋巴细胞特征的MLP模型进一步提升了分类性能，尤其在双阶段归一化条件下表现最佳。

研究结论与讨论

EBV-TRACER首次在活检和切除标本中均实现了高效、稳健的EBV-GC预测，克服了染色差异与泛化能力不足的瓶颈。其双阶段归一化策略无需重新训练模型即可适应新数据，具有较强的临床适用性。尽管本研究存在外部验证队列单一、未优化最终决策规则等局限性，但结果为胃癌的早期诊断和治疗策略制定提供了重要工具。未来工作可进一步拓展多中心验证、优化模型结构，并探索其临床影响。

该研究发表于《Scientific Reports》，为人工智能在病理诊断中的稳健应用提供了范例，有望推动EBV-GC的常规筛查和精准医疗进程。