基于算法数字图像分析的乳腺癌Ki67增殖指数(KPI)评估：一种精准预后工具的验证研究

本文推荐：本研究通过对比人工目测法（EB）与Optrascan算法（OA）对乳腺癌Ki67增殖指数（KPI）的评估效果，证实OA具有更高准确性（r:0.9913）和更低偏差（bias:1.309），尤其在管状结构>10%的肿瘤中显著优于EB（偏差降低7.268）。研究为标准化KPI检测提供了算法支持，对乳腺癌预后分层具有重要临床意义。

　　

Highlight

材料与方法

本研究纳入81例乳腺癌病例（45例乳房切除术和36例穿刺活检），所有病例均采用罗氏Ventana Benchmark自动化平台进行Ki67（克隆30-9）免疫组化检测。通过ImageJ软件（金标准）和Optrascan算法（OA）对热点区域进行数字图像分析，并与传统人工目测法（EB）对比。统计方法采用Pearson相关性分析（PC）和Bland-Altman图（BAP）。

结果

EB和OA均与ImageJ结果显著相关（p<0.0001），但OA展现出更强的相关性（r:0.9913）。BAP分析显示EB存在更大偏差（bias:1.309），尤其在管状结构>10%的肿瘤中偏差高达7.268。OA在核多形性增加时会高估KPI，而在肿瘤内淋巴细胞或成纤维细胞增多时则易低估。

讨论

Ki67作为乳腺癌关键预后指标，其评估标准化一直是临床痛点。本研究首次系统验证OA算法在KPI检测中的优势：它不仅克服了EB在实体瘤（易高估）和分化型肿瘤（易低估）中的固有偏差，还为数字病理的临床应用提供了实证支持。未来需优化算法对肿瘤微环境干扰因素的识别能力。

结论

OA是替代EB的可靠选择，其客观性显著提升了KPI检测的可重复性。这项研究为乳腺癌精准诊疗提供了重要方法学参考，算法辅助评估将成为未来病理标准化的重要方向。