《Frontiers in Oncology》：Machine learning-based assessment of tumor-infiltrating lymphocytes in breast cancer histopathology: a systematic review and evidence-gap analysis of translational readiness
编辑推荐：
背景：基于机器学习的肿瘤浸润淋巴细胞（tumor-infiltrating lymphocytes, TILs）评估已被提出用于提高乳腺癌组织病理学中免疫微环境（immune-contexture）评估的可重复性和临床实用性。然而，现有研究在任务定义、标注策略
背景：基于机器学习的肿瘤浸润淋巴细胞（tumor-infiltrating lymphocytes, TILs）评估已被提出用于提高乳腺癌组织病理学中免疫微环境（immune-contexture）评估的可重复性和临床实用性。然而，现有研究在任务定义、标注策略、模型架构、验证设计和临床终点方面存在显著差异。本系统综述与证据缺口分析旨在描绘乳腺癌组织病理学中TIL相关机器学习（machine learning, ML）研究的转化就绪性（translational readiness），并识别特定聚类的方法学缺口。
方法：研究人员对PubMed、Web of Science、Scopus、ScienceDirect和Google Scholar进行了系统检索，检索截止日期为2026年4月20日，并辅以向后引文追踪和对30个最相关额外结果的有针对性Google搜索。符合条件的研究包括基于乳腺癌组织病理学的机器学习、深度学习（deep learning, DL）、人工智能（artificial intelligence, AI）或计算图像分析研究，评估TILs或TIL相关免疫细胞特征。研究根据主要应用分为检测/分类（detection/classification）、结局预后预测（outcome prognostication）和治疗反应预测（treatment-response prediction）。提取的变量包括数据来源、标本类型、模型家族、标注策略、验证设计、临床对照使用、校准（calibration）、决策曲线分析（decision-curve analysis）、增量价值（incremental value）、可重复性（reproducibility）和方法学挑战。由于终点和性能指标的异质性，综合采用描述性和基于证据图谱的方法。
结果：主要证据图谱包括51项组织病理学图像研究：19项检测/分类研究，18项结局预后预测研究和14项治疗反应预测研究。外部验证（external validation）在检测/分类研究中的报告率为31.6%，在预后预测研究中为61.1%，在治疗反应预测研究中为57.1%。临床对照报告沿同一连续性范围从63.2%增至94.4%和92.9%。然而，校准仅在1项预后预测研究（5.6%）中报告，在检测/分类或治疗反应预测研究中均未报告。决策曲线分析同样仅限于1项预后预测研究。类不平衡（class imbalance）几乎普遍存在（各聚类94.7–100%）。扫描仪/染色稳健性（scanner/stain robustness）在大多数研究中得到处理（63.2–83.3%），但公平性（fairness）或亚组分析（subgroup analyses）的报告仍不一致（27.8–57.1%）。
结论：乳腺癌中的TIL机器学习在技术上活跃，但临床验证不足。未来研究应超越模型开发，转向经过外部验证、校准、临床基准、可重复和决策相关的证据，并使用针对检测、预后预测和治疗反应预测的聚类特定规划标准。
系统综述注册：https://www.crd.york.ac.uk/PROSPERO/view/CRD42024574566，标识符CRD42024574566。
1 Introduction
乳腺癌是全球重要的健康负担，其发病率与死亡率均较高。肿瘤浸润淋巴细胞（tumor-infiltrating lymphocytes, TILs）是抗肿瘤免疫的关键组分，其存在与乳腺癌临床结局相关。高TIL评分可预测多数乳腺癌对新辅助化疗（neoadjuvant chemotherapy, NAC）的较好反应，但PD-1阳性TIL亚型与不良预后相关。传统的人工评估存在主观性和耗时等局限。机器学习（machine learning, ML）在数字病理和全玻片图像（whole slide images, WSIs）中的应用有望提高TIL评估的客观性和可重复性。然而，目前仍缺乏从技术可行性到临床转化证据的明确判断。该系统综述与证据缺口分析旨在描绘机器学习在乳腺癌组织病理学TIL评估中的转化就绪性，并比较不同应用聚类间的差距。
2 Materials and methods
2.1 Study design and reporting framework
该综述遵循PRISMA 2020指南，由两名评审员独立完成检索、筛选、数据提取等步骤，必要时与第三名评审员讨论解决分歧。方案前瞻性注册于PROSPERO（CRD42024574566）。因研究异质性大，未计划进行Meta分析。
2.2 Information sources and search strategy
系统检索了PubMed、Web of Science、Scopus、ScienceDirect和Google Scholar，截止2026年4月20日。检索策略结合乳腺癌、TILs、机器学习等概念，并辅以参考文献回溯和补充Google搜索，以获取最相关的额外结果。
2.3 Eligibility criteria
纳入标准包括：乳腺癌患者或组织样本；评估TILs或相关免疫细胞特征；使用机器学习、深度学习、人工智能或计算图像分析方法；基于苏木精-伊红（hematoxylin and eosin, H&E）或免疫组织化学（immunohistochemistry, IHC）染色的组织病理学图像，包括全玻片图像、组织微阵列、活检或手术标本；报告至少一项方法学、技术、诊断、预后、预测或验证相关结局。排除综述、编辑评论、病例报告、非乳腺癌研究、仅依赖人工TIL评分的研究等。
2.4 Study selection
从346条记录中筛选出211条去重记录，103篇全文评估，初始纳入36篇，经过补充检索后最终纳入51篇研究。最终样本包括检测/分类19项、结局预后预测18项、治疗反应预测14项。
2.5 Classification of studies into application clusters
根据主要应用将研究分为三类：检测/分类（detection/classification）指识别、分割、分类、定位或量化TILs及相关免疫细胞；结局预后预测（outcome prognostication）指评估机器学习衍生的TIL、免疫细胞或肿瘤微环境特征与生存或复发结局的关系；治疗反应预测（treatment-response prediction）指使用TIL相关或组织病理学衍生的机器学习特征预测新辅助或系统治疗反应。
2.6 Data extraction
提取了书目信息、技术变量（模型家族、任务类型）、标注变量（标注级别、标注者数量、病理医师一致性）、验证与临床就绪变量（外部验证、校准、决策曲线分析、临床对照、增量价值、代码/数据可用性）以及方法学挑战变量（类不平衡、病理医师变异性、小样本问题等）。若研究使用公共数据集，数据可用性被归类为“可用”。
2.7 Evidence-gap framework
构建了证据缺口框架，评估外部验证、独立验证、校准、决策曲线分析、临床对照、增量价值、公共基准使用、代码可用性、数据可用性、模型权重可用性以及公平性或亚组分析等指标。证据成熟度分为主要缺口（<25%）、中度缺口（25–50%）、部分证据（50–75%）和相对成熟（≥75%）。
2.8 Reporting completeness appraisal
采用TRIPOD+AI（Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis–Artificial Intelligence）评估报告完整性，PROBAST（Prediction model Risk Of Bias ASsessment Tool）评估偏倚风险。TRIPOD+AI显示多数研究在目标、数据、模型开发和性能报告方面报告良好，但结果定义、模型解释、局限性和可重复性相关项目的报告存在缺陷。PROBAST显示所有研究均被评为高偏倚风险，主要源于分析和结局领域的局限。
2.9 Data synthesis and statistical analysis
由于不同任务的终点和性能指标不可比，综合采用描述性和基于证据图谱的方法，未进行定量合并。证据缺口可视化由提取的数据集生成，分析使用R 4.5.1版本。
3 Results
主要证据图谱包括51项研究。检测/分类研究使用多中心数据占31.6%，外部验证占31.6%，临床或病理学对照占63.2%；其临床对照报告率、外部验证率均低于预后和治疗反应类研究。预后预测研究多中心占61.1%，外部验证占61.1%，临床对照占94.4%；治疗反应预测研究多中心占71.4%，外部验证占57.1%，临床对照占92.9%。然而，校准仅在1项预后预测研究（5.6%）中报告，检测/分类和治疗反应预测研究均未报告。决策曲线分析也仅限于1项预后预测研究。类不平衡几乎普遍存在（各聚类94.7–100%）。扫描仪/染色稳健性在63.2%–83.3%研究中被处理，但公平性或亚组分析报告率仅为27.8%–57.1%。模型家族分布显示检测/分类研究架构多样性最高；预后预测研究集中于经典机器学习、分割或目标检测以及CNN；治疗反应预测研究集中于经典机器学习和CNN。公共数据集重用集中在少数资源，如TCGA-BRCA、TIGER、BCSS等。TRIPOD+AI显示大多数项目报告率超过70%，但临床可解释性和可重复性项目报告不足。PROBAST显示所有研究均有高偏倚风险，主要体现在结局定义不标准化、缺乏外部验证、缺乏校准和临床效用分析。
4 Discussion
该综述发现三个应用聚类在临床目的、数据结构、标注要求、模型家族、验证实践和转化就绪性上存在明显差异。检测/分类研究技术导向但外部验证率低，预后和治疗反应研究更常使用临床对照和增量价值分析，但校准和决策曲线分析几乎缺失。不同聚类各有优劣势：检测/分类研究需要解决跨中心、跨扫描仪/染色方案的技术稳健性；预后研究需要标准化终点和随访报告；治疗反应预测研究需要明确治疗背景、标本时机和标准化病理完全缓解（pathological complete response, pCR）定义。类不平衡和病理医师变异性普遍存在。公共数据集的重复使用限制了证据的独立性和人群多样性。可重复性方面，代码可用率为38.9%–47.4%，模型权重可用性很低。未来研究应优先进行外部验证、校准、临床基准和可重复的研究，并使用聚类特定规划清单。综述还讨论了联邦学习、域适应、不确定性量化等新兴方向，并指出监管途径和临床工作流整合负担未被现有研究充分涉及。该综述的限制包括仅纳入51项主要组织病理学图像研究，提取受原始报告不完整性限制，定量Meta分析不适用于异质数据。
5 Conclusion
乳腺癌中的TIL机器学习研究在技术上活跃且日益面向临床，但尚未充分验证到常规实施水平。检测/分类研究外部验证率较低，预后和治疗反应研究缺乏校准和决策曲线分析。代码、模型权重和数据共享不完整，公共数据集重复使用限制了证据多样性。扫描仪/染色稳健性已在多数研究中被处理，但公平性、亚组性能、样本量充分性和真正独立的外部验证评估不一致。未来应优先考虑经过校准、临床基准、外部验证和可重复的模型，而非进一步单中心模型开发。提出的聚类特定规划清单旨在支持从探索性计算病理学向可临床转化的TIL机器学习证据过渡。
