《Surgical and Experimental Pathology》:Artificial intelligence at the surgeon–pathologist interface: revolutionizing diagnosis, prognostication, and precision surgery
编辑推荐:
摘要专业翻译
人工智能(AI)在外科病理学中的应用涵盖肿瘤检测、组织学分类、分级、生物标志物评估、淋巴结评估、切缘分析及结局预测。深度学习(DL)算法已在多种恶性肿瘤(包括乳腺癌、结直肠癌、前列腺癌、肺癌及胃肠道癌)中展现出较高的诊断性能。新兴的计算病理学平台
摘要专业翻译
人工智能(AI)在外科病理学中的应用涵盖肿瘤检测、组织学分类、分级、生物标志物评估、淋巴结评估、切缘分析及结局预测。深度学习(DL)算法已在多种恶性肿瘤(包括乳腺癌、结直肠癌、前列腺癌、肺癌及胃肠道癌)中展现出较高的诊断性能。新兴的计算病理学平台能够直接从常规苏木精-伊红(H&E)染色切片中预测分子改变,从而促进个体化治疗策略的实施,同时减少对昂贵辅助检测的依赖。AI辅助病理学还提高了工作流程效率,降低了观察者间差异,并增强了诊断的可重复性。重要的是,AI衍生的病理学见解正通过改进风险分层、优化切除范围、个体化淋巴结清扫及预测治疗反应,日益影响外科决策的制定。
论文主体内容总结
外科病理学中的人工智能基础
人工智能涵盖使机器能够模仿人类认知功能(如模式识别、分类、预测和决策)的广泛计算方法。在外科病理学中,AI系统分析数字化组织病理图像,以识别具有诊断和预后意义的特征。机器学习(ML)作为AI的子集,允许计算机系统无需显式编程即可从数据中学习。传统ML方法通常需要手动提取形态学特征(如核大小、腺体结构、核分裂活性和间质特征),随后用于训练分类模型。深度学习(DL)作为ML的更高级子集,利用多层人工神经网络自动从复杂数据集中提取相关特征,无需手动特征工程,能够直接从组织学图像中识别微妙的形态学模式。
卷积神经网络与全切片成像
AI在外科病理学中的成功主要由全切片成像(WSI)和卷积神经网络(CNN)的发展所驱动。WSI指以高分辨率将常规组织病理切片数字化,产生可电子化查看、存储、共享和分析的图像。CNN是专门为图像识别和模式分析设计的深度学习架构,由多个计算层组成,可自动提取相关图像特征,包括核形态、组织架构、腺体组织、间质特征和细胞相互作用。早期层识别边缘和纹理等基本视觉特征,而更深层则识别日益复杂的病理结构和诊断模式。Campanella等人的里程碑式研究显示,深度学习算法在前列腺癌、基底细胞癌和乳腺癌转移检测中达到了接近专家的性能。
肿瘤分级与分类中的人工智能
肿瘤分级直接影响预后、治疗选择和手术规划。AI已成为提高肿瘤分级准确性、可重复性和一致性的有前景的解决方案。在乳腺癌分级中,诺丁汉组织学评分评估三种形态学参数:腺管形成、核多形性和核分裂计数。AI系统可自动量化核分裂象、评估腺体结构和核形态,提供客观测量以减少观察者依赖性变异。在前列腺癌分级中,Gleason分级系统是病理学的基石,Bulten等人报告深度学习算法达到了与专家泌尿病理学家相当的分级准确性,同时保持更高的可重复性。在结直肠癌分级中,AI算法可准确区分低级别和高级别肿瘤,同时识别肿瘤出芽、淋巴血管侵犯和间质特征等额外预后特征。在软组织肉瘤分类中,深度学习算法在区分脂肪肉瘤、平滑肌肉瘤、滑膜肉瘤和未分化多形性肉瘤方面展现出有前景的结果。AI辅助分级最重要的优势之一是减少观察者间差异,通过在大数据集上应用一致的分析标准,生成高度可重复的评估。
基于人工智能的分子生物标志物预测
精准肿瘤学的出现已将癌症管理从基于形态学的方法转变为基于分子信息的决策。AI可从常规H&E染色切片中直接预测分子改变,这是数字病理学最具变革性的发展之一。在微卫星不稳定性(MSI)预测方面,Kather等人的里程碑式研究证明AI算法可识别结直肠癌中与MSI相关的形态学特征,为快速且经济有效的分子筛查开辟了新可能。在人表皮生长因子受体2(HER2)预测方面,深度学习系统可通过识别与受体过表达相关的形态学模式,直接从数字化组织病理切片中预测乳腺癌和胃癌的HER2状态。在肺癌中,AI模型可预测表皮生长因子受体(EGFR)和间变性淋巴瘤激酶(ALK)突变状态,加速分子分诊并促进靶向治疗的早期启动。在结直肠癌中,深度学习算法可直接从组织学图像预测KRAS和BRAF突变状态。此外,AI辅助图像分析可提高程序性死亡配体1(PD-L1)评估的可重复性,通过自动化量化染色模式和肿瘤微环境特征。未来的深度学习系统越来越多地采用多模态方法,整合组织病理图像与基因组、转录组、放射学和临床数据集,生成全面的分子谱。
手术切缘评估与淋巴结评估中的人工智能
手术切缘和淋巴结状态的准确评估是肿瘤外科的基石。在手术切缘评估方面,AI辅助病理学通过全面检查数字化切片和自动识别残留肿瘤细胞,提供改善切缘分析的机会。在乳腺癌中,深度学习模型可准确识别切除切缘处的浸润性癌和导管原位癌,减少漏诊残留病变的可能性。在头颈部恶性肿瘤中,AI系统在识别切除切缘内微小残留病变方面展现出前景,有助于在保持肿瘤学安全性的同时促进器官保留。在胃肠道恶性肿瘤中,深度学习算法可更全面地评估肿瘤浸润模式、间质侵犯和切缘邻近程度。在淋巴结评估方面,AI通过自动筛查全切片图像和检测微小转移灶提供显著优势。在前哨淋巴结评估中,CAMELYON挑战赛证明深度学习算法在检测乳腺癌淋巴结转移方面达到了与专家病理学家相当的诊断性能。深度学习算法还可检测微转移和孤立肿瘤细胞,并量化淋巴结内肿瘤负荷,包括转移面积、结外侵犯和肿瘤细胞空间分布。
人工智能驱动的预后判断与风险预测
AI已扩展了病理学从主要诊断学科到能够生成个体化预后信息的预测科学的作用。在总生存期预测方面,深度学习算法可直接从数字化组织病理切片预测生存期,分析数千种形态学特征,包括核结构、间质组成、免疫浸润、肿瘤异质性和血管特征。在结直肠癌中,AI衍生的组织学特征已被证明可独立于常规TNM分期系统预测生存期。在复发风险预测方面,AI通过识别与侵袭性生物学行为相关的细微组织水平特征,展现出相当大的潜力,可量化肿瘤出芽、间质激活、侵袭性生长模式和免疫相互作用。在肿瘤微环境分析方面,计算病理学平台可量化间质密度、血管生成、免疫细胞浸润和肿瘤侵袭模式,生成可能补充传统组织病理学评估的新型预后生物标志物。在肿瘤浸润淋巴细胞(TILs)和免疫谱分析方面,AI可自动化免疫细胞定量,并提供跨大型患者队列的标准化测量,还可评估肿瘤细胞与免疫浸润之间的空间关系。数字生物标志物作为最令人兴奋的发展之一,直接从组织病理图像通过AI分析衍生,包括肿瘤异质性、核多形性、间质激活、血管结构和免疫细胞分布的计算测量。
人工智能对外科决策和精准手术的影响
AI在外科病理学中的最终价值在于其影响临床决策和优化患者结局的能力。精准手术寻求将分子、病理、放射学和临床信息纳入手术规划。AI衍生的病理学见解可帮助优化手术规划,通过识别具有侵袭性生物学特征的肿瘤,这些肿瘤可能需要更广泛的切除或更广泛的手术方法;相反,有利的病理学特征可支持器官保留手术和手术降级策略。在乳腺癌中,AI可通过预测分子亚型、评估复发风险、评估切缘状态和识别淋巴结转移,支持个体化手术规划。在结直肠癌中,AI辅助病理学可改善高风险病理特征的识别,如肿瘤出芽、淋巴血管侵犯、微卫星不稳定性和不利的分子谱。AI辅助预测淋巴结受累有可能通过识别隐匿转移高风险患者来优化淋巴结清扫策略。AI在预测新辅助治疗反应方面展现出有前景的能力,通过从治疗前活检标本中提取的组织病理学特征识别与化疗敏感性、放射反应性和免疫治疗结局相关的形态学特征。现代癌症治疗日益依赖多学科协作,AI有潜力作为整合这些学科数据的通用分析平台,生成结合组织病理学特征、分子生物标志物、放射学特征、临床参数、治疗反应指标和预后预测的综合患者特异性档案。可解释人工智能(XAI)的概念变得越来越重要,可解释模型提供视觉图谱和基于特征的解释,使临床医生能够验证算法结论并保持对AI辅助建议的信心。
挑战、局限性、伦理考量与未来方向
尽管计算病理学取得了显著进展,AI在常规临床实践中的广泛采用仍面临若干技术、操作、监管和伦理挑战。数据质量和数据集偏差方面,AI系统的性能高度依赖于训练数据的质量和多样性,许多现有数据集存在种族多样性有限、地理偏差、组织处理变异、染色方案差异、扫描仪特异性伪影和类别不平衡等局限性。黑箱问题方面,神经网络虽然能实现卓越的预测性能,但其内部机制往往难以理解,可解释人工智能(XAI)的发展旨在通过提供视觉热图、特征归因分析和可解释的决策路径来解决这一挑战。缺乏标准化方面,切片制备、组织固定、染色强度、扫描仪分辨率、图像压缩和注释方法的差异可显著影响算法性能。监管和法律考量方面,美国食品药品监督管理局(FDA)、欧洲药品管理局(EMA)等监管机构正在积极制定评估AI医疗技术的框架。数据隐私和网络安全方面,AI系统常需要基于云的存储、多机构数据共享和大规模图像存储库,增加了未经授权访问、数据泄露和敏感患者信息滥用的风险。经济与基础设施挑战方面,AI辅助病理学的实施需要大量投资于全切片扫描仪、数字存储基础设施、计算资源、网络能力和人员培训。伦理考量方面,训练数据中嵌入的偏差可能无意中导致医疗保健差异,AI应被视为增强而非取代临床专业知识的工具,患者护理的最终责任必须由合格的医疗专业人员承担。未来方向包括:基础模型作为大规模AI系统,可执行多种下游任务;多模态AI整合组织病理学、放射学、基因组学、转录组学和临床变量;数字孪生作为个体患者的虚拟计算表示,允许在临床干预前模拟肿瘤生长、治疗反应、手术结局和复发风险;实时计算病理学通过快速组织处理、光学成像和边缘计算的进步,实现术中实时病理评估。