综述：计算病理学的临床转化：方法、评估与风险管理

《Journal of Translational Medicine》：Computational pathology in precision oncology: evidence, validation, and clinical translation

摘要

组织病理学在癌症诊断中起着核心作用，但传统的解读方法受到观察者间差异以及定量整合不足的限制。计算病理学将机器学习应用于数字化的病理图像，以辅助诊断和分级、分子生物标志物的推断、预后评估以及治疗反应的评价。本综述探讨了具有临床相关性的方法、评估证据成熟度的标准以及临床转化的要求。我们区分了监督学习、弱监督多实例学习、基础模型以及多模态或空间系统，并按照临床任务、终点、队列、验证策略、性能指标和转化阶段总结了代表性研究。尽管基础模型和多模态模型在特定情况下增强了表示学习和数据效率，但它们并不能完全消除与领域迁移、数据泄露、校准误差、偏见或工作流程不匹配相关的风险。因此，负责地开展临床应用需要具有代表性的多中心数据集、患者级数据划分、适合特定任务的评估指标、不确定性处理策略、病理学家的参与机制、监管监督以及部署后的监测。因此，计算病理学应被视为一个新兴的决策支持平台，其临床价值必须通过前瞻性研究来确立，而不仅仅基于回顾性的区分能力进行推断。