《Journal of Clinical Medicine》：Artificial Intelligence and Digital Pathology for Preoperative Lymphovascular Invasion and Metastatic Risk Prediction in Breast Cancer: Bridging the Biopsy–Resection Gap
编辑推荐：
乳腺癌是全球主要诊断疾病，其中淋巴血管侵犯（LVI）是转移潜力的关键指标。传统评估常因依赖术后发现、采样误差和主观的观察者间差异而受到阻碍。本综述评估了人工智能（AI）、数字病理学和MRI放射组学如何提供更早期、定量的LVI相关风险估计。目前最强的直接证据来自
乳腺癌是全球主要诊断疾病，其中淋巴血管侵犯（LVI）是转移潜力的关键指标。传统评估常因依赖术后发现、采样误差和主观的观察者间差异而受到阻碍。本综述评估了人工智能（AI）、数字病理学和MRI放射组学如何提供更早期、定量的LVI相关风险估计。目前最强的直接证据来自基于MRI的研究，其验证性能通常达到受试者工作特征曲线下面积（AUC）值为0.84–0.90。相比之下，数字病理学在LVI相邻任务（如淋巴结转移检测和基于切片的复发风险建模）中尤为成熟，这共同为未来LVI特异性工具提供了重要的转化基础。本综述还讨论了文献中尚未充分发展的问题，包括淋巴管侵犯与血管侵犯的区分、AI特定的偏倚风险和报告框架、邻近乳腺AI工具的新兴监管环境，以及基于切除的开发数据集与活检水平术前使用之间的差距。尽管大多数现代计算模型是使用广泛的手术切除标本开发的，但其真正的临床效用取决于在术前核心针活检的高度受限、碎片化的组织环境中的成功验证和性能。总体而言，当LVI预测不被视为孤立的二元任务，而是作为支持校准的多学科乳腺癌决策的更广泛转移风险工作流程的一个组成部分时，该领域似乎最有前景。
1. Introduction
乳腺癌是全球女性最常见诊断，疾病进展与区域和远处转移密切相关。淋巴血管侵犯（LVI）是重要组织学标志，但在临床实践中多作为术后二分类变量使用，受限于收缩伪影、取样误差和病理医生解读差异。数字病理学和人工智能（AI）的发展为从病理和影像数据预测转移风险提供了新途径。本文提出不应将LVI视为孤立二分类任务，而应建立层次化、多模态“数字活检”框架，将LVI作为区域和全身疾病播散的连续表型替代，整合数字病理、磁共振成像（MRI）放射组学和临床生物标志物，实现从回顾性记录向主动多学科决策支持的转变。
Literature Selection
本文为叙述性综述，通过检索PubMed、Scopus和Web of Science数据库，使用乳腺癌、LVI、AI、数字病理、全切片成像、放射组学、深度学习、MRI和转移风险预测等术语组合，优先纳入2019-2025年英文文献，辅以早期里程碑研究。根据方法学质量、临床相关性和创新性选择文献，旨在合成代表性证据而非系统评价。
2. Clinical Significance of LVI and Limits of Conventional Assessment
LVI的存在与乳腺癌更差的无病生存和总生存相关，与非前哨淋巴结疾病、更大局部区域负荷和侵袭性肿瘤生物学相关。然而常规评估受限于四方面：术后才知晓、H&E切片上人工空隙模拟血管腔、报告简化为有无、缺乏与周围间质和影像背景的定量整合。AI不仅可自动化评估，还能提供更丰富的定量测量。
3. Distinguishing Lymphatic from Vascular Invasion
淋巴管侵犯与血管侵犯生物学不同，常规H&E染色无法可靠区分。AI开发中应采用多任务学习（MTL）架构，保留高分辨率表型特征，分别输出两种侵犯概率。未来数据集应依赖免疫组化确认（如D2-40和CD31）或多位专家共识，以确保可靠亚分类。
4. Digital Pathology as the Foundation for LVI-Aware Risk Modelling
乳房计算病理学进展迅速，AI应用覆盖诊断、分级、生物标志物定量、肿瘤微环境分析和淋巴结转移检测。数字病理学可量化LVI所处的微环境特征，如肿瘤结构、间质重塑和免疫组成。当前更现实的愿景是建立层次化病理模型，结合直接形态线索和周围组织背景。技术挑战在于手术切除全切片图像（WSI）与术前核心针活检（CNB）之间的样本类型差异，模型需针对活检的碎片化和有限组织进行训练。
5. Histology-Based AI and Hierarchical Metastatic-Risk Modelling
直接LVI组织学模型仍有限，但显示向可测量表型的转变。例如Chen等用深度学习量化淋巴血管侵犯形态。框架将LVI预测作为上游入口，链接区域淋巴结播散和远处结局预测。
5.1. Histology-Based Quantification on Resection Slides vs. Preoperative Prediction
目前大多数研究基于手术切除全切片图像，验证了AI辅助形态量化的可行性，但并非真正的术前预测。术前基于CNB的LVI预测仍待探索，需要算法适应活检的有限组织体积、碎片化和采样偏倚。
5.2. Regional Nodal Spread
区域水平上，方法转向淋巴结负担评估。AI辅助淋巴结切片检测具有高灵敏度和阴性预测值，同时MRI模型整合区域腋窝征象和瘤周水肿以改进术前分期。
5.3. Distant Metastasis and Relapse
系统水平上，终点扩展至远处复发和长期生存预测。数字病理模型可预测5年无转移生存；多模态和临床组学管线融合影像和临床变量；低成本模型利用血液标志物和超声最大直径进行远处转移鉴别。
6. MRI, Radiomics, and Deep Learning for Preoperative LVI Prediction
目前最强直接证据来自MRI放射组学和深度学习研究。早期工作使用动态对比增强MRI捕获放射组学模式，近年模型整合瘤周水肿、腋窝特征和延迟时相。2024年代表性研究显示，混合模型AUC达0.896和0.872，结合形态特征、放射组学和深度学习优于单一输入。现有模型的方法学特征显示许多达到AUC 0.821–0.896，但阳性预测值和阴性预测值报告不一致，校准确认不足，且大多基于单中心数据。荟萃分析证实整体性能良好但存在异质性。局限性包括回顾性、单中心、扫描仪特异性，大多数研究缺乏稳健外部测试。
Human-Expert Context and Interpretability
AI与人类专家比较显示，AI可能捕捉超越常规评分的信息，但需前瞻性头对头试验验证。现有研究未直接替代放射科医生，但表明AI可提供术前信息超出常规人类评分。
7. Why Multimodal Digital Biopsy Models May Be the Most Useful Next Step
单一模态无法完全捕捉转移能力。多模态数字活检模型整合病理切片、MRI特征和临床/实验室生物标志物，可估计LVI阳性、淋巴结播散和转移复发三种概率。融合模型提供互补证据层，提高可解释性。实践转化路径包括数据集构建、专家标注、内部验证、外部测试、校准、可解释性、工作流程整合、治理和部署后监测。
8. Methodological and Implementation Challenges
五个主要限制：终点异质性（LVI定义不一致）、标注负担（高质量LVI标签需专家审查）、域转移（MRI和数字病理对采集参数敏感）、临床整合（需适配工作流程并校准）、治理（版本控制和漂移监测）。健康经济学评估缺乏，现有模型多基于手术切除，需验证于术前CNB。应遵循CLAIM 2024和QUADAS-AI报告框架以增强透明度。
9. Structured Critical Appraisal of Risk of Bias and Reporting Quality
通过QUADAS-AI和CLAIM 2024框架评估，现有模型原始判别能力虽高（多模态AUC>0.85），但结构设计存在问题，偏倚风险和报告质量评估显示数据筛选、参考标准整合等方面存在缺陷。
9.1. Domain-by-Domain Synthesis and Methodological Recommendations
数据筛选和患者选择存在选择偏倚，模型基于高质量手术切除块开发，未能反映活检的真实世界伪影和碎片化。索引测试与参考标准缺乏连续校准数据。需采用QUADAS-AI和CLAIM 2024完全合规的报告结构，确保模型作为可审计决策支持引擎。
9.2. Economic Viability, Reimbursement Landscapes, and Operational Integration
临床整合受健康经济可行性驱动。术前模型可降低成本和工作流程加速，但需前瞻性研究评估对手术降级和并发症管理的影响。建立标准化报销路径需要证明临床路径改变。
10. Future Directions
六个优先事项：1）多中心数据集带LVI标签并与MRI和结局关联；2）报告校准和亚组性能；3）关注活检切片；4）可操作的可解释性；5）前瞻性工作流程研究；6）多模态基准。
Biopsy-Level Prediction as a Near-Term Translational Priority
当前大多数病理AI研究基于手术切除，而术前决策依赖CNB材料。需创建匹配活检-切除队列，研究不同标本类型间的LVI形态，使模型适应活检碎片化等挑战，从而从概念验证走向临床决策支持系统。
11. Conclusions
AI有长期潜力但目前证据不均。MRI放射组学和深度学习提供最强术前LVI预测直接证据，数字病理在相邻任务中价值显著。需严格区分判别性能（回顾性AUC）与临床效用（前瞻性多中心试验）。未来研究需优先进行外部验证、校准和健康经济学评估，以证明在多学科护理中的实际净临床获益。
