人工智能辅助前列腺癌诊断：减少免疫组化使用的创新策略

《Communications Medicine》：Artificial intelligence-assisted prostate cancer diagnosis for reduced use of immunohistochemistry

本研究针对前列腺癌病理诊断中免疫组化(IHC)过度使用导致的诊断延迟和资源浪费问题，开发了基于人工智能(AI)的辅助诊断系统。通过分析来自三个医疗中心的510张疑难病理切片，研究证明AI模型在保持100%敏感性的前提下，可减少20.7%-44.4%的IHC检测，对良性切片最高可减少80.6%的IHC使用。该成果为优化病理诊断流程提供了重要技术支撑，发表于《Communications Medicine》。

　　

在当今医疗实践中，前列腺癌的诊断严重依赖病理医师对活检组织的形态学评估。然而，这种传统的诊断方式正面临着巨大挑战：Gleason评分系统存在显著的主观差异性，不同病理医师之间甚至同一医师在不同时间对同一标本的判读结果都可能产生差异。这种诊断不一致性直接导致了前列腺癌的过度诊断和诊断不足问题。

为了弥补形态学诊断的不足，免疫组化(Immunohistochemistry, IHC)技术应运而生。通过检测基底细胞标记物（如高分子量细胞角蛋白HMWCK和p63），病理医师可以更准确地区分良性前列腺组织和恶性腺癌。但这一技术带来了新的问题：IHC检测不仅增加了医疗成本和工作负担，还显著延长了诊断时间。更值得关注的是，IHC的使用存在明显的个体化和机构间差异，有些病理医师即使对癌变怀疑度很低的情况也会要求进行IHC检测，将其作为“安全网”，而有些实验室甚至会对所有前列腺活检标本常规预订单IHC。

正是在这样的背景下，由Anders Blilie、Nita Mulliqi等研究人员组成的国际团队开展了一项创新性研究，探索人工智能技术如何在前列腺癌诊断中优化IHC的使用。他们开发了一种基于注意力机制的多实例学习(ABMIL)人工智能模型，该模型能够仅通过标准的苏木精-伊红(Hematoxylin and Eosin, H&E)染色切片来准确诊断前列腺癌，减少对IHC的依赖。

研究团队采用了回顾性研究设计，纳入了来自三个不同医疗中心（挪威斯塔万格大学医院、法国Synlab实验室和瑞士Synlab实验室）的510张前列腺穿刺活检切片。这些切片有一个共同特点：在原始诊断过程中，病理医师都认为需要IHC检测才能做出明确诊断。研究特别选择了这些诊断挑战性病例，以测试AI模型在最困难情况下的表现。

技术方法上，研究采用全切片图像(Whole-Slide Image, WSI)数字化技术，使用多种扫描仪将玻璃切片转换为数字图像。通过基于UNet++架构的组织分割模型识别组织区域，并提取高分辨率组织块。AI模型采用EfficientNet-V2-S编码器提取特征，结合ABMIL框架进行幻灯片级别分类。模型训练使用10折交叉验证，并集成测试时增强(TTA)技术提升预测稳定性。性能评估重点关注曲线下面积(Area Under the Curve, AUC)、敏感性和特异性等指标。

诊断性能：内部验证

在斯塔万格大学医院(SUH)内部验证队列中，AI模型在IHC验证的切片上达到了0.980的AUC值。当使用敏感性优先的诊断阈值（阈值0.01）时，模型实现了100%的敏感性，同时特异性保持在0.806。这意味着在该队列中，AI模型可以减少44.4%的IHC使用，且没有漏诊任何癌症病例。

诊断性能：外部验证

在法国Synlab(SFR)外部验证队列中，模型表现更为出色，AUC值达到0.993。在敏感性优先阈值下，模型可以减少42.0%的IHC使用，同时保持100%的敏感性。瑞士Synlab(SCH)队列的结果显示，虽然IHC减少幅度较低（20.7%），但模型仍能保持完美的癌症检测敏感性。这种队列间差异可能与各机构IHC使用习惯和病例组成有关。

病理医师对假阴性病例的复查

在基线阈值0.5下，研究共发现22例假阴性预测。病理医师的盲法复查显示，这些病例中大多数仅包含微小的低级别形态学病灶，更适合诊断为“非典型性”或“可疑癌症”而非明确的恶性肿瘤。值得注意的是，有三例高级别癌症（ISUP 4和ISUP 5）被错误分类，但这些病例均存在明显的组织挤压伤和折叠伪影，影响了形态学评估。

AI模型提供的注意力热图显示，即使在某些假阴性病例中，模型也能正确识别并高亮显示可疑区域，这为病理医师提供了有价值的决策支持。这一发现表明，AI模型不仅能够提供诊断建议，还能通过可视化工具帮助病理医师聚焦于最具诊断挑战性的区域。

讨论与结论

本研究证实了人工智能在前列腺癌病理诊断中的重要应用价值。通过敏感性优先的阈值策略，AI模型能够在保证诊断安全的前提下，显著减少不必要的IHC检测。特别是在那些病理医师癌变怀疑度较低的情况下，AI模型的高阴性预测值可以为医师提供额外的信心，支持其在不进行IHC检测的情况下做出良性诊断。

研究还揭示了不同医疗机构在IHC使用习惯上的显著差异，这进一步凸显了AI技术在标准化诊断流程方面的潜力。通过减少主观因素对IHC使用决策的影响，AI有助于在不同经验水平的病理医师之间建立更一致的诊断标准。

然而，研究者也指出了当前模型的局限性。例如，对于导管腺癌等罕见亚型的识别能力有限，对存在严重组织伪影的病例评估存在挑战。此外，AI模型在临床实践中的整合还需要考虑工作流程、用户信任建立等非技术性因素。

这项研究为数字病理学的发展提供了重要启示。随着人工智能技术的不断进步，我们有理由期待更加智能化、标准化的病理诊断时代的到来。未来的研究应当着重于前瞻性临床验证，评估AI辅助诊断在真实世界环境中的临床效益和经济效益，同时进一步优化模型对罕见病例和技术伪影的鲁棒性。

该研究成果发表于《Communications Medicine》期刊，标志着人工智能在前列腺癌病理诊断领域迈出了坚实的一步，为全球范围内的病理实验室优化资源配置、提高诊断效率提供了科学依据和技术支持。