人工智能辅助肺腺癌病理评估：基于AI的浸润大小和组织学分型分析新策略

《Microvascular Research》：Nailfold capillaroscopy for early detection of diabetic retinopathy: A non-invasive window into microvascular abnormalities

本文探讨人工智能（AI）在肺腺癌病理评估中的应用，通过构建嵌套式AI模型辅助测定肿瘤浸润大小、全面组织学分型（CHS）和分级，结果显示AI与病理专家评估一致性较高，但需进一步优化以确保临床诊断准确性。

　　

^背景

2021年世界卫生组织（WHO）肺腺癌分类体系凝聚了数十年研究成果，旨在将形态学多样性转化为临床有效信息[1]。尽管分类系统不断进步，其复杂性仍给病理报告的准确性和可重复性带来挑战。其中反复出现的难点在于对鳞屑样为主型肿瘤浸润大小的判定——这项任务至关重要，因为研究证实鳞屑样为主型...

^{材料与方法}

本研究方案经梅奥诊所机构审查委员会审核认定为豁免项目（IRB23-9797，2023年11月27日）。从100例未经治疗的切除肺腺癌标本中各选取一张代表性H&E染色切片，随机划分为训练集（n=35）与验证集（n=65）。所有切片通过Aperio GT 450扫描仪（Leica Biosystems）进行数字化，并上传至合作方Aiforia平台构建AI模型。训练集的标注工作由6位资深肺病理学家共同完成，用于训练包含组织分层（组织vs.玻片背景）、肿瘤分层（肿瘤vs.良性肺组织）、浸润分层（浸润性vs.非浸润性肿瘤）、黏液分层（黏液性vs.非黏液性浸润肿瘤）及浸润亚型分层（腺泡状vs.乳头状vs.实性）的嵌套式AI模型（图1和表1）。复杂腺体初始标注为实性，后续作为实性亚层进行训练...

^结果

6位专家病理学家完成训练集标注后，嵌套式AI模型成功识别各结构层次。AI与人工评估的肿瘤尺寸均值差异≤1.3毫米，浸润范围差异≤3毫米。除腺泡状与鳞屑样模式外，浸润百分比的中位差异均≤15.3%，但部分案例存在显著差异。训练集中AI与观察者主导模式一致性达65.7-71.4%，验证集降至45.3-54.7%；分级一致性在训练集为77.1-88.6%，验证集为62.5-67.2%。病理学家间分级一致性呈中度相关，AI与专家间达中度至高度一致。

^讨论

本概念验证研究表明，基于专家标注的AI模型可有效辅助肺腺癌浸润评估、CHS分型与分级。AI估算的浸润百分比与人工评估误差通常控制在20%以内，肿瘤与浸润尺寸测量精度较高。尽管CHS与分级模型构建更具挑战性，但AI与人工评估的均值差异显示其应用潜力，未来需通过模型优化提升临床适用性。