编辑推荐：
为解决病理学家评估 sTILs 时因异质性分布等导致的不确定性问题，研究人员开展多中心环形研究，探讨参考卡片（RCs）和 AI 辅助方法的临床适用性。结果显示二者可提高一致性和准确性，AI 辅助预测病理完全缓解（pCR）的 AUC 达 0.937，为临床评估提供新方向。
肿瘤免疫治疗的蓬勃发展，让肿瘤微环境成为研究焦点。基质肿瘤浸润淋巴细胞（stromal tumor-infiltrating lymphocytes, sTILs）作为肿瘤免疫微环境的重要标志物，在乳腺癌尤其是三阴性乳腺癌（TNBC）和人表皮生长因子受体 2 阳性（HER2+）乳腺癌的预后判断、治疗响应预测中展现重要价值。然而，传统视觉评估（visual assessment, VA）存在重复性差的问题，特别是在新辅助治疗后残留病灶识别、异质性分布评估及基质区域划分等方面，不同经验病理学家常出现判断偏差，制约了其临床应用。
为攻克这些难题，河北医科大学第四医院的研究团队开展了一项多中心环形研究，相关成果发表在《ESMO Open》。研究旨在明确不同经验病理学家评估 sTILs 的主要困惑，并验证参考卡片（reference cards, RCs）和人工智能（artificial intelligence, AI）辅助技术能否提升评估精度与临床适用性。
研究主要采用以下关键技术方法：
- 样本与数据：收集 266 例浸润性乳腺癌患者的苏木精 - 伊红（H&E）染色切片，经筛选后纳入 217 例，扫描获取全切片图像（WSI）；选取 167 例 TNBC 活检样本用于临床性能验证。
- AI 算法开发：构建基于视野（field of view, FOV）和全切片的 AI 算法（AI-F 和 AI-W），实现细胞级检测、基质区域分割及 sTILs 自动评分；结合免疫组化染色（LCA）建立金标准。
- 多轮环形研究：12 名来自 4 家医院的病理学家（分 senior、intermediate、junior 三组）参与三轮研究，分别采用 VA、RC 辅助（RC-AS）和 AI 辅助（AI-AS）方法评估，通过组内相关系数（ICC）和受试者工作特征曲线下面积（AUC）验证一致性与准确性。
结果分析
1. 传统评估与辅助方法的一致性对比
- RS1（50 例全切片）：VA 的 ICC 为 0.730（moderate），RC-AS 提升至 0.834（good），AI-AS 达 0.966（excellent）。Senior 组 RC-AS 的 ICC 达 0.933，junior 组 AI-AS 后 ICC 显著提升，显示 AI 对各经验组均有帮助。
- RS2（200 个含挑战因素的 FOV）：VA 下异质性和基质因素的 ICC 分别为 0.592（moderate）和 0.603（moderate）。RC-AS 使异质性 ICC 升至 0.808（good），AI-AS 则达 0.930（excellent）和 0.858（good），接近 senior 组水平。
2. 准确性验证与临床性能
- 与金标准对比：RC-AS 使 6/12 病理学家在异质性评估中达 “good” 以上一致性，AI-AS 的 ICC（0.906）显著高于 VA，尤其在基质因素复杂场景中表现稳定。
- 预测 pCR 效能：AI-AS 的 AUC 为 0.937，显著优于 VA 的 0.775，RC-AS 介于两者之间，表明 AI 辅助能更精准预测治疗响应。
3. 亚组分析与技术局限
- 基质因素亚组：RC-AS 在干扰因素（IF）亚组中提升一致性，但在有限基质（LS）亚组对 junior 组帮助有限；AI-AS 在 LS 亚组 ICC 达 0.895，显示更强适应性。
- 局限性：金标准依赖 LCA 染色可能高估淋巴细胞范围，AI 对黏液瘤、挤压 artifact 样本效果有限，且易受脂肪组织、组织细胞反应等干扰，需进一步优化算法。
结论与意义
本研究证实，RC 和 AI 辅助技术可有效降低 sTILs 评估中异质性和基质因素导致的不确定性。AI 技术通过深度学习实现细胞与基质的精准分割，显著提升各经验水平病理学家的评估一致性和临床预测效能，为乳腺癌免疫治疗的精准化提供了可靠工具。尽管存在样本局限性和算法优化空间，该研究为 AI 在病理评估中的临床转化奠定了基础，有望推动 sTILs 成为更标准化的生物标志物，助力乳腺癌个性化治疗决策。
