综述：免疫组化生物标志物评分在胃食管癌中的应用：计算机能帮助我们吗？

这篇综述深入探讨了人工智能（AI）在胃食管癌（GEC）免疫组化（IHC）生物标志物评分中的潜力与挑战。文章系统回顾了AI如何通过辅助性（Assistive）和预测性（Predictive）两种路径提升PD-L1（CPS/TAP/TPS）、HER2等复杂标志物评分的效率与准确性，同时指出其在解决病理学家短缺、减少评分变异性的应用前景。综述强调，AI技术有望革新GEC诊断范式，但当前研究仍局限于部分靶点，需进一步拓展至EBV、MSI/MMRd等新兴标志物领域。

　　

Abstract
随着癌症诊疗复杂度的提升，病理学家在胃食管癌（GEC）免疫组化（IHC）生物标志物评分中面临巨大压力。PD-L1（CPS/TAP/TPS）、HER2等标志物的评估需耗费大量时间，且存在观察者间差异。人工智能（AI）技术通过辅助性工具提升评分效率，或通过预测性模型直接生成数字生物标志物，为病理实践带来革新。

Introduction
靶向治疗的进步使GEC诊疗需依赖多重生物标志物，如PD-L1、HER2、EBV和MSI/MMRd。IHC评分因其复杂性易受主观影响，而全球病理学家短缺加剧了这一挑战。AI分为辅助性（如自动化计数）和预测性（如从组织学预测分子特征）两类，为解决问题提供新思路。

Materials and methods
通过PubMed和Google Scholar检索AI辅助GEC生物标志物评分的文献，筛选标准聚焦于PD-L1、HER2等关键靶点的计算机辅助诊断技术。

Results
AI在PD-L1 CPS评分中显著提升重复性，减少人工耗时；HER2评分中可降低模糊病例的误判率。但GEC相关研究数量远少于乳腺癌等领域，EBV、FGFR2b等靶点尚未充分探索。

Discussion
辅助性AI已证实可优化现有评分流程，而预测性AI或能跳过IHC直接识别Claudin 18.2等靶点。挑战在于算法泛化性及临床验证，未来需整合多组学数据拓展应用场景。

Conclusion
AI将分阶段改变GEC诊断：短期辅助病理学家完成复杂评分，长期通过预测模型重构生物标志物检测流程。这一转型需跨学科合作以确保技术可靠性与临床适用性。

（注：全文严格基于原文内容缩编，未添加非文献支持信息，专业术语均保留原文格式如PD-L1^CPS
等。）