机器学习与传统方法在胃肠道神经内分泌肿瘤Ki67评分中的性能比较研究

本研究针对神经内分泌肿瘤(NETs)中Ki67评分手工评估耗时且易受主观影响的问题，对比了非机器学习(ImageScope)与机器学习(Aiforia)两种数字图像分析方法。研究人员通过80个低增殖性(<5% Ki67)胃肠道NET样本的区域分析，发现ML工具在肿瘤细胞检测(F-score 0.90 vs. 0.74)、Ki67阳性细胞识别(ICC 0.70 vs. 0.24)及最终评分一致性(ICC 0.86 vs. 0.45)上均显著优于传统方法，为临床精准分级提供了高效可靠的自动化解决方案。

　　

神经内分泌肿瘤(NETs)的精准分级对临床决策至关重要，其中Ki67增殖指数是区分G1/G2级肿瘤的关键指标。然而传统手工计数500-2000个细胞的方法不仅耗时费力，还面临观察者间变异和"目测法"准确性不足的挑战。尤其对于低增殖性(<5% Ki67)胃肠道NETs，微小的计数偏差就可能导致G1(＜3%)与G2(3-20%)的误判，直接影响治疗方案选择。

挪威卑尔根大学医院(Haukeland University Hospital)与卑尔根大学(University of Bergen)的研究团队在《Scientific Reports》发表论文，首次系统比较了非机器学习(ImageScope)与云平台机器学习(Aiforia Create)两种数字病理工具在Ki67评分中的性能差异。研究创新性地采用细胞坐标匹配算法，通过匈牙利算法验证工具是否"找对"而非仅"数对"细胞，解决了既往研究仅比较数量而忽略定位准确性的局限。

研究团队选取39例Ki67＜5%的胃肠道NET样本，随机分为训练集(29例)和测试集(10例)。关键技术包括：(1)通过Aiforia平台构建双神经网络模型，分别识别肿瘤区域和Ki67阳性/阴性细胞；(2)采用ImageScope核算法进行传统图像分析；(3)由资深病理学家手动标注800个200μm×200μm区域作为金标准；(4)开发Python脚本实现细胞坐标转换与匈牙利算法匹配，计算F-score等性能指标。

检测肿瘤细胞性能
ML工具展现出接近病理学家的细胞识别能力(ICC=0.91)，显著优于非ML工具(ICC=0.62)。视觉检查发现传统方法常将淋巴细胞误判为肿瘤细胞(假阳性)，或把重叠细胞计为单个细胞(假阴性)，而ML方法仅轻微保守漏检。

识别Ki67阳性细胞
ML工具虽仍存在将间质细胞误判为阳性肿瘤细胞的情况，但其阳性细胞计数与金标准中度一致(ICC=0.70)，远优于传统方法(ICC=0.24)。后者因染色不均常将单个细胞分割计数，导致显著高估。

Ki67评分准确性
ML计算的评分与病理学家结果高度一致(ICC=0.86)，且未出现改变肿瘤分级的情况；而非ML工具不仅一致性差(ICC=0.45)，还在1例样本中导致G1/G2分级错误。Bland-Altman分析显示ML的偏差范围更窄，验证其可靠性。

该研究证实机器学习能有效解决NETs Ki67评分中的三大核心挑战：区分肿瘤/非肿瘤细胞、准确分割重叠细胞、判定Ki67阳性阈值。其临床意义在于：(1)为低增殖性NETs的精准分级提供自动化方案，避免手工计数的主观偏差；(2)ML工具检测的细胞定位准确性首次通过坐标匹配验证，增强结果可信度；(3)云平台部署模式便于临床推广。未来需通过更大样本验证模型泛化能力，并探索与突触素双染等策略进一步提升特异性。这项研究为数字病理在NETs诊断中的应用树立了新标准，也为评估日益增长的商业AI软件提供了方法论范例。