《npj Precision Oncology》：AI-based prediction of actionable genomic alterations from H&E-stained slides
编辑推荐：
精准肿瘤学依托可操作基因组改变（actionable genomic alterations, AGAs）的识别已取得实质性进展，但在实体瘤诊疗中，组织耗竭与检测周转时间偏长常制约最优治疗决策。人工智能通过分析常规苏木精-伊红（hematoxylin and
精准肿瘤学依托可操作基因组改变（actionable genomic alterations, AGAs）的识别已取得实质性进展，但在实体瘤诊疗中，组织耗竭与检测周转时间偏长常制约最优治疗决策。人工智能通过分析常规苏木精-伊红（hematoxylin and eosin, H&E）染色切片，可直接预测AGAs，从而回应上述瓶颈。近期标志性研究（包括前瞻性EAGLE与ANNAR试验）证实，深度学习模型可跨多国队列识别非小细胞肺癌中EGFR改变及尿路上皮癌中FGFR改变。该类方法近乎即时、非破坏性，能在初诊时对患者进行分子检测或临床试验分诊。本评述审视日益成熟的证据体系，并提出将此类工具整合入临床实践的可行路径，最终旨在从全球各实验室常规生成的切片中提取关键分子信息，提升实体瘤治疗可及性。
研究背景与问题提出
实体瘤精准肿瘤学的核心在于识别可操作基因组改变（actionable genomic alterations, AGAs），并以匹配疗法指导用药。以非小细胞肺癌（non-small cell lung cancer, NSCLC）为例，NCCN指南推荐检测EGFR、ALK、ROS1、BRAF V600E、KRAS G12C、MET exon 14、RET、NTRK、ERBB2等十余类靶点，对应二十余种获批靶向药。三代EGFR酪氨酸激酶抑制剂（tyrosine kinase inhibitor, TKI）已将一线中位无进展生存从约5个月提升至29个月以上。然而现实落地受限：美国社区实践显示EGFR、ALK检测率仅71%与62%，全面基因组 profiling（comprehensive genomic profiling, CGP）仅52%；核心障碍是组织量不足、送检流程复杂、患者病情恶化来不及等待。液体活检受ctDNA分泌与周转时间限制。常规H&E切片是每例实体瘤必做步骤，若能从其中“读出”分子信息，则具备非破坏性、近即时、零额外取样的天然优势。
研究人员通过开展文献循证与证据评述，系统梳理AI从H&E全切片图像（whole-slide images, WSIs）预测AGAs的生物学合理性、临床验证进展、局限与整合路径，得出该类工具可作为分子检测前筛与临床试验分诊手段，在严格验证下具备改变诊疗流程的潜力。
主要关键技术方法
研究本身为评述性工作，其依据的关键技术脉络包括：基于卷积神经网络（convolutional neural network, CNN）与Transformer架构的病理基础模型微调；对H&E WSI进行块（tile）级特征提取与注意力聚合的弱监督学习；利用多中心、多扫描仪队列做外部验证；以静默试验（silent trial）模拟真实部署；结合AUROC、阳性预测值（positive predictive value, PPV）、阴性预测值（negative predictive value, NPV）与预设阈值评估前筛性能。样本队列涵盖TCGA及中国16家医院3637例NSCLC患者、北美/欧洲/韩国/中国多族裔切片、尿路上皮癌89个国际站点转移灶队列。
研究结果
从回顾性概念验证到前瞻性验证
早期Coudray等CNN模型在TCGA训练，测试集EGFR预测AUROC 0.826，外部队列降至0.687。近年模型演进至基础模型微调：Campanella等EAGLE模型以5174张切片微调，内部验证AUROC 0.847，外部0.870，前瞻性静默试验0.890；保守阈值下NPV 0.971、PPV 1.00，快速检测需求降低18%–43%，中位周转44分钟。Zhao等DeepGEM基于中国16中心3637例，AUROC 0.86，淋巴结标本0.91；Park等跨五扫描仪12,283张WSI，AUROC 0.905。尿路上皮癌ANNAR前瞻性试验在9国89站部署FGFR预测，回溯阶段AUROC 0.75，敏感88.7%时特异31.8%，预计减少28.7%分子检测。
当前局限：泛化性与基础设施
AGA患病率具人群差异（东亚EGFR突变40%–50%，欧裔10%–15%），模型可能学到扫描仪、染色协议、族群相关非生物混淆特征。需按亚组、组织亚型、人口学分层验证，不能只看整体AUROC；应探索族群特异性阈值。部署端还需数字病理基建、质控、LIS集成、ISO 15189/CLIA/IVDR合规与FDA或CE-IVD准入；EBAI、TRIPOD+AI、DECIDE-AI、CLAIM提供报告与验证框架。
临床采纳路径
近期定位为“rule-in/test-to-test”前筛：H&E AI阳性再走聚焦分子确认，阴性不轻易排除。EAGLE双阈值可减检并保性能。远期在PPV充分验证与监管批准后，可走向“test-to-treat”：阳性直接启TKI，阴性再确认。变异分辨率仍是短板（如EGFR exon 19 del与exon 20 ins治疗差异），形态学能否区分尚不确定。临床试验场景更易先行：ANNAR已证明多中心前筛可行，敏感100%，缩短入组失败与耗时。Idylla等快速单基因检测是竞品，但AI非破坏、可扩展至泛癌与蛋白过表达。
讨论与结论翻译
讨论指出，AI预测AGA的证据已由回顾性走向前瞻静默试验与全球多中心部署，NSCLC与结直肠癌较成熟，尿路上皮癌紧随。其真正革新在于：人类首次可从全球每台显微镜下的H&E切片抽取分子层信息。落地前提包括数字病理普及、报销机制、族群与站点偏倚控制、变异级分辨能力提升。
结论：基于AI的AGA预测证据正在快速成熟；前瞻性静默数据、跨人群验证与真实世界部署共同证明其可行性与影响。这类模型首次让全球病理实验室的常规H&E切片成为分子信息来源。肿瘤学界应以紧迫感推进临床整合路径设计，在维持诊疗标准的同时最大化患者获益。
这篇论文解读已完成，接下来可以选择一个方向继续深化：
