深度学习解决方案PANProfiler Breast通过H&E染色乳腺癌标本盲法验证实现HER2阴性判定及ER/PR状态预测

推荐：为解决乳腺癌分子分型检测耗时耗力的问题，研究人员开发了基于深度学习的PANProfiler Breast系统，通过H&E染色全切片图像(WSI)预测ER/PR状态和HER2阴性。盲法验证显示ER/PR判断准确率达86-93%，HER2阴性识别准确率91-100%，可减少22-27%的IHC/FISH检测需求，为数字化病理提供高效辅助工具。

　　

乳腺癌作为全球第二大常见恶性肿瘤，其诊断过程中必须进行雌激素受体(ER)、孕激素受体(PR)和人表皮生长因子受体2(HER2)检测以指导治疗决策。然而传统免疫组化(IHC)和荧光原位杂交(FISH)检测不仅增加诊断时间和成本，还面临全球病理医生短缺的严峻挑战。英国皇家病理学家学院2018年调查显示，仅3%的病理科室能满足临床需求。数字病理(DP)和人工智能(AI)技术被视为解决这一困境的潜在方案，但现有获批AI工具极其有限。

针对这一临床痛点，Panakeia Technologies Limited的研究团队开发了UKCA认证的深度学习系统PANProfiler Breast。该系统创新性地仅需常规H&E染色全切片图像(WSI)，即可预测ER/PR状态和识别HER2阴性病例。为验证其可靠性，研究团队设计了包含三种不同特征的队列：涵盖全部HER2 IHC±FISH组合的HER2富集队列(100例)、代表常规临床样本的乳腺活检验证队列(200例)以及富含罕见亚型的乳腺活检富集队列(100例)。研究采用盲法验证，通过计算敏感度、特异度、阳性预测值等指标评估性能，并引入临床实用性指标——检测替代率(TRR)和完全检测替代率(CTTR)。

关键技术方法包括：1) 多中心队列设计，样本来自St James's University Hospital的2018-2020年存档病例；2) 40倍扫描的WSI经预处理后分割为256×256像素的图块；3) 采用注意力机制的深度学习模型提取组织形态学特征；4) 通过混淆矩阵计算性能指标，并与病理报告金标准对比。

研究结果显示：
在HER2富集队列盲验证中，HER2阴性识别的特异度达96%，阳性预测值91%，22%的病例可避免额外检测。ER判断准确率90%(TRR 78%)，PR准确率86%(TRR 70%)。
乳腺活检验证队列显示，ER状态判断准确率提升至93%(TRR 84%)，PR准确率91%(TRR 55%)。值得注意的是，HER2阴性识别准确率达92%，可使27%病例免于IHC/FISH检测。
在更具挑战性的乳腺活检富集队列(含33% HER2+和45% ER-病例)中，HER2阴性识别保持100%准确率(TRR 24%)，ER判断准确率91%，展现对特殊亚型的适应性。

讨论部分指出，尽管HER2阴性识别的敏感度(31-37%)有待提高，但其高特异度(90-100%)和阳性预测值(91-100%)表明系统对"阴性"判断高度可靠。ER检测在常规队列表现优异，但在ER-病例富集的队列中特异度降至79%，提示系统对阴性样本的识别仍需优化。作者强调，18-20%的病例可实现三种标志物的完全检测替代，且78-83%的替代结果完全准确，这将显著节省医疗资源。

这项发表于《Clinical Breast Cancer》的研究证实，PANProfiler Breast作为首个仅需H&E染色即可预测乳腺癌分子分型的AI系统，在保持高准确性的同时，可减少20-27%的辅助检测需求。其创新性在于突破传统分子检测的技术限制，为缓解全球病理资源短缺提供了数字化解决方案。未来需要通过更大样本的前瞻性研究进一步验证，并扩展对罕见亚型的识别能力，以推动AI在乳腺癌精准诊断中的临床应用。