《Virchows Archiv》：Validation of diagnostic artificial intelligence models for prostate pathology in a Middle Eastern cohort
编辑推荐：
人工智能（AI）在病理学中的应用正加速癌症诊断进程。为实现全球推广，需要在当前代表性不足的人群中开展研究——这些人群从AI中可能获得的收益也最大。研究人员呈现了首个在中东地区开展的外部验证研究，聚焦前列腺癌的诊断与Gleason分级。研究人员对来自伊拉克库尔
人工智能（AI）在病理学中的应用正加速癌症诊断进程。为实现全球推广，需要在当前代表性不足的人群中开展研究——这些人群从AI中可能获得的收益也最大。研究人员呈现了首个在中东地区开展的外部验证研究，聚焦前列腺癌的诊断与Gleason分级。研究人员对来自伊拉克库尔德斯坦的339张前列腺玻片进行了数字化处理，这些玻片代表2013年至2024年间185名患者的连续病例系列。每张玻片在三台数字病理扫描仪上扫描，共生成1,017张全切片图像（whole-slide images, WSI）。任务特定模型（task-specific model, TS）和基础模型（foundation model, FM）展现出与病理学家间一致性相当的AI-病理学家分级一致性（科恩二次加权卡帕[Cohen’s quadratically weighted kappa, QWK]分别为0.801与0.799）。跨扫描仪一致性在所有AI模型中均较高，三台扫描仪的卡帕值均>0.90。在低成本紧凑型扫描仪上展现的稳健性能可为非数字化环境中的验证研究以及样本量有限的实验室实现经济高效的AI应用提供支持。公开共享的数据集将促进进一步研究，以推动AI病理学的更广泛应用。
## 论文解读文章
### 研究背景与问题
人工智能（AI）在医学领域的应用日益广泛，解剖病理学是其中最适合AI方法的领域之一。近年来，随着基础模型（foundation model, FM）的兴起，计算病理学取得快速发展。临床上，AI有望提升患者安全、减少诊断观察者间差异，并缓解病理学人力短缺问题。然而，医疗设备往往对其开发所针对的人群效果最佳，代表性不足患者群体的缺失会导致“健康数据贫困”，并可能降低AI器械的准确性。在计算病理学中，AI几乎完全基于北美和欧洲数据开发，跨患者人口统计学特征、实验室甚至数字病理扫描仪型号的泛化失败屡见报道。因此，在新环境下开展临床部署前，通过验证研究确认AI工具的安全可靠性至关重要。
### 研究内容与意义
本研究聚焦计算病理学中研究最广泛的问题之一：全切片图像（whole-slide image, WSI）中前列腺癌的诊断与Gleason分级。研究对象为既往未在计算病理学研究中出现的中东人群——伊拉克库尔德斯坦地区。研究人员收集并数字化了来自伊拉克埃尔比勒PAR私人医院2013年至2024年间185例患者的339张前列腺穿刺活检玻片，这些玻片经三名病理学家参考分级，回顾性评估了三个AI模型的性能：在瑞典卡罗林斯卡学院开发的任务特定模型（TS）[24]以及公开可用的基础模型UNI和Virchow2。结果显示，基于欧洲数据训练的AI模型能泛化至前列腺癌诊断中，AI-病理学家分级一致性与病理学家间一致性相当（QWK 0.801 vs. 0.799），跨扫描仪一致性高（卡帕值>0.90），且低成本紧凑型扫描仪展现出稳健性能，为资源有限环境下AI病理学的经济高效应用提供了可行路径。该研究同时公开共享数据集，为计算病理学社区提供了首个来自中东地区的开放数据集。
### 主要关键技术与方法
研究样本来自伊拉克埃尔比勒PAR私人医院病理档案库，纳入2013年至2024年间因疑似前列腺癌接受穿刺活检的全部连续病例。切片由卡罗林斯卡学院病理实验室从原始石蜡块重新切片并H&E染色，经三台扫描仪（Hamamatsu NanoZoomer 2.0 HT、Leica Aperio GT450 DX、紧凑型Grundium Ocus40）以40×放大数字化，共生成1,017张WSI。三名病理学家利用Cytomine平台对Hamamatsu扫描图像进行数字评估，其中病理学家I（S.A.）分级全部339张切片，作为主要参考标准；病理学家II（H.M.）分级337张；病理学家III（A.B.）评估按ISUP分级分层的59张随机子集。AI模型采用基于注意力的多实例学习（attention-based multiple instance learning, ABMIL）框架，任务特定模型使用可训练编码器，UNI和Virchow2基础模型则冻结预训练编码器，仅训练下游ABMIL和分类层。统计分析采用敏感性、特异性、受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）、Cohen’s加权卡帕系数，并通过bootstrap假设检验比较AI-病理学家与病理学家间的一致性差异。
### 研究结果
#### 诊断AI泛化至中东环境
基于欧洲数据开发的AI模型在伊拉克队列中展现出强癌症检测性能。以Hamamatsu扫描图像对比病理学家I，所有模型的AUC从0.916（UNI）至0.966（TS），恶性检测敏感性从97.1%（TS）至98.9%（Virchow2）。基础模型的假阳性诊断较多，特异性为85.4%（UNI）和88.4%（Virchow2），而TS模型特异性为94.5%。分级一致性方面，模型与病理学家I的ISUP分级QWK从0.788（UNI）至0.869（TS），Gleason评分从0.669（UNI）至0.789（TS）。与病理学家II相比结果相当。针对显著错误切片的复核分析显示，TS、UNI和Virchow2分别有5例（1.5%）、16例（4.7%）和7例（2.1%）将良性预测为ISUP≥2或将ISUP≥2预测为良性。经第三名病理学家对9张至少两个AI模型出现显著错误的切片进行独立复核后，分别有4/5（TS）、8/9（UNI）和6/7（Virchow2）的错误得以解决。多数错误发生在组织制备和染色质量欠佳的切片中，复核病理学家均表示需借助免疫组织化学（immunohistochemistry, IHC）才能做出明确诊断。
#### AI分级一致性与病理学家相当
在由三名病理学家和三个AI模型共同评估的59张切片子集中，研究人员比较了所有病理学家-病理学家和病理学家-AI配对的一致性。以平均配对QWK排序显示，AI模型总体表现处于病理学家间变异范围内。Bootstrap假设检验显示，在所有评估方案（ISUP线性、ISUP二次、GS线性、GS二次）下，AI系统与病理学家之间的一致性均无统计学显著差异。ISUP分级QWK方面，AI为0.801，病理学家为0.799（Δ=0.003；p=0.9742；Cohen’s d=0.043）；Gleason评分QWK方面，AI为0.766，病理学家为0.796（Δ=?0.035；p=0.9972；Cohen’s d=?0.499）。所有p值均>0.97，表明观察到的数值差异在预期抽样变异范围内。
#### 扫描仪一致性分析
为评估AI性能跨扫描仪平台的一致性，研究人员将相同物理切片在三台设备上扫描：高通量Hamamatsu和Leica扫描仪及紧凑型Grundium扫描仪。所有模型在ISUP和GS跨扫描仪一致性方面均展现出高QWK值，扫描仪间差异相对于95%置信区间较小。TS模型跨扫描仪对平均QWK为0.956（ISUP）和0.941（GS），UNI为0.905（ISUP）和0.872（GS），Virchow2为0.929（ISUP）和0.899（GS）。逐张切片预测检查显示，大多数切片在三台扫描仪上获得相同预测，剩余差异主要为一步等级偏移（如ISUP 2?3），临床上影响较小。
### 讨论总结与结论翻译
讨论部分指出，本研究首次证明基于西方式训练的前列腺活检病理AI模型可在中东人群中实现泛化，癌症检测性能与先前10个欧洲站点的外部验证结果相似（敏感性90–100%，特异性87–97%）。任务特定模型在分级性能上优于两个基础模型，这归因于其完全在前列腺组织上训练，可深度学习腺体特异性特征，而基础模型依赖冻结的通用特征，且基础模型的计算需求显著更高。跨扫描仪一致性的稳健表现说明紧凑型扫描仪能在无现有数字基础设施的情况下快速部署，为目前非数字化的实验室提供AI验证途径。研究局限性包括：无法将实验室操作差异与生物学差异完全分离、ISUP 1级病例数量较少、无共识参考标准以及AI系统为研究算法而非获监管批准的临床器械。
研究结论：基于欧洲数据训练的前列腺活检AI模型无需任何调优或校准即可泛化至中东患者队列，在该环境中诊断一致性与人类病理学家相当，且能在高通量和紧凑型扫描仪数据上稳定运行。这为资源有限环境下的实验室评估并受益于计算病理学提供了实用路径，推动诊断质量提升和AI辅助医疗的全球公平可及。本研究及首个来自中东地区的公开数据集有望为涵盖其他疾病和病理评估类型的类似验证研究提供参考基准。
