王清揚，王書浩，鐘定榮*

[1.北京協(xié)和醫(yī)學院研究生院，北京 100006；2.中日友好醫(yī)院病理科，北京 100029；3.透徹未來（北京）科技有限公司，北京 100102]

肺癌是全球癌癥相關死亡的主要原因，據(jù)統(tǒng)計2020年有近180萬人死于肺癌[1]。而中國，肺癌死亡率在男性和女性中均占首位，肺癌病理診斷為臨床診療提供十分重要的參考指標。病理學是用以確定肺癌最終診斷的基本工具，有效和準確的病理診斷對于患者的后續(xù)治療至關重要。傳統(tǒng)病理診斷由經(jīng)驗豐富的病理學家在顯微鏡下逐一評估所有切片，此過程耗時長、主觀性強，經(jīng)驗不足的病理醫(yī)師可能出現(xiàn)漏診、誤診，因此提高診斷的準確性和穩(wěn)定性是一項挑戰(zhàn)。

人工智能（AI）自提出起，為現(xiàn)代社會帶來了前所未有的機遇。病理領域AI研究最早可追溯到20世紀60年代，Mendelsohn等[2]首次嘗試將圖像分析算法應用于細胞圖像分析血液成分并幫助診斷一系列疾病，并獲得了成功。全切片數(shù)字掃描圖像（WSI）的出現(xiàn)加速了數(shù)字病理學的發(fā)展。WSI是一項涉及高速、高分辨率數(shù)字采集圖像的技術，使病理學家可以在計算機顯示屏上查看生成的全視野數(shù)字切片用于病理診斷，從而擺脫了傳統(tǒng)顯微鏡在使用環(huán)境和操作上的限制[3]。Mukhopadhyay等[4]的研究結果表明WSI在外科病理的初步診斷中不遜于傳統(tǒng)顯微鏡，自動圖像分析方法在提高診斷精度和減少人為錯誤方面表現(xiàn)出巨大潛力。隨著先進深度學習算法的開發(fā)，AI已開始嘗試幫助病理學家完成一些具有挑戰(zhàn)性的診斷任務，如腫瘤分型、腫瘤轉移檢測、量化有絲分裂和炎癥[5]。最近，利用計算機輔助圖像分析來預測肺癌預后已成為令人振奮的新方向，現(xiàn)代數(shù)字病理學的快速發(fā)展預示著臨床病理診斷模式正在發(fā)生轉變。本文將介紹具有應用前景的病理圖像分析AI算法，并回顧AI在肺癌組織病理診斷、PD-L1免疫組化表達評估、分子病理檢測以及肺癌預后預測的 應用。

1 具有應用前景的AI算法

AI能超越人眼觀察的區(qū)分度，提煉圖像中更多有價值的信息。病理學領域的AI模型經(jīng)歷了從專家系統(tǒng)發(fā)展到傳統(tǒng)的機器學習，再到深度學習的過程。常用的AI算法包括人工神經(jīng)網(wǎng)絡（ANN）、卷積神經(jīng)網(wǎng)絡（CNN）、遞歸神經(jīng)網(wǎng)絡（RNN）等，其中CNN已廣泛用于圖像分類和病理圖像分析，如腫瘤區(qū)域和轉移檢測[6-7]。這些算法可能存在學習時間長、容易過擬合及結果的不可解釋性等問題，以下介紹的兩種具有應用前景的算法可能改變 現(xiàn)狀。

1.1 生成對抗網(wǎng)絡生成對抗網(wǎng)絡（GAN）在數(shù)字病理學中的使用頻率也逐漸升高。GAN是一種特殊類型的神經(jīng)網(wǎng)絡模型，由生成器網(wǎng)絡和判別器網(wǎng)絡組成并在相互競爭時同時進行訓練，在競爭中實現(xiàn)各自優(yōu)化。在相關研究報道中，GAN及其擴展的應用有效地提高了醫(yī)學圖像分割的準確性，為解決許多具有挑戰(zhàn)性的組織病理學圖像處理問題開辟多種途徑，如顏色歸一化、虛擬染色、圖像增強、油墨去除、特征提取、細胞核分割等[8]。GAN還可用于少樣本的數(shù)據(jù)增強，Tekchandani等[9]提出將GAN用于計算機斷層掃描（CT）圖像中縱隔淋巴結肺癌轉移檢測，不僅能顯著減少可訓練參數(shù)，還能解決過擬合問題（AUC 0.95）。 Teramoto等[10]使用GAN來提高深度卷積神經(jīng)網(wǎng)絡（DCNN）肺癌細胞學分類模型的精度，結果使用GAN之后準確率較前提高了約4.3%，證實了GAN在僅獲得有限數(shù)據(jù)的情況下也能有效提高模型 精度。

1.2 可解釋的深度學習技術病理學常用的AI算法普遍存在域適應性差和可解釋性差的問題，很多情況下研究人員也無法解釋模型是如何做決定的，因此常被認為是“黑匣子”，這可能會對診斷結果產(chǎn)生深遠的影響[11]?？山忉尩纳疃葘W習技術（XAI）代表了解釋性分析模型的新方向，有很好的應用前景。XAI是指從機器學習模型中提取相關知識，這些知識涉及數(shù)據(jù)中包含的關系或模型學習到的關系，為提高AI的信任度、透明度及促進AI穩(wěn)定發(fā)展提供了希望[12]。近年來XAI開始嘗試應用于病理圖像分析，例如Palatnik等[13]訓練了一種XAI模型，并在淋巴結轉移組織WSI組成的數(shù)據(jù)集上進行二元分類。其觀察結果表明高解釋權重的區(qū)域在熱圖中具有良好的一致性，且熱圖與病理專家醫(yī)學分割一致，這將有助于進一步深入了解用于病理圖像診斷的神經(jīng)網(wǎng)絡決策的內(nèi)部工作 原理。

2 AI與肺癌病理診斷

2.1 組織病理診斷靶向治療和免疫治療對肺癌的準確分類及良惡性疾病的鑒別提出了更高的要求。形態(tài)學評估仍然是分型的基礎。然而，AI組織學病理模型的訓練通常需要病理學家耗費大量時間與精力標注。2019年，Wei等[14]提出了一種用于肺腺癌WSI上的主要和次要組織學亞型進行分類的深度學習模型。該模型由病理學家大量注釋后訓練，在獨立測試集上其kappa得分為0.525，略高于病理學家kappa得分0.485，與三位病理學家對主要亞型進行分類的一致性為66.6%。近年來，為了減輕病理學家的注釋負擔并避免選擇偏差，無標注或少量標注的AI模型越來越受推崇。2021年，Chen等[15]開發(fā)了一種無注釋訓練神經(jīng)網(wǎng)絡模型，該模型在肺腺癌和鱗狀細胞癌分類的測試集受試者操作特征曲線下面積（AUC）分別為0.9594和0.9414，并且模型突出顯示的關鍵區(qū)域與病理學家確定的癌癥區(qū)域高度對應。該方法通過減少對詳細注釋的需求，為病理人工智能研究取得更快進展鋪平了 道路。

在小活檢標本中識別肺癌亞型同樣是確定合適治療方案的重要組成部分，但如果沒有特殊和/或免疫組化染色的幫助，難度更大。Yang等[16]利用經(jīng)支氣管肺活檢（TBLB）標本開發(fā)了AI模型來分類肺癌的多項模式，模型宏觀平均AUC為0.90；Kanavati等[17]在由TBLB標本構成的訓練集上訓練了一個模型，用于腺癌、鱗狀細胞癌、小細胞肺癌及非腫瘤的分類，測試集AUC在0.94到0.99之間?；谛』顧z標本的組織病理學診斷是目前最具成本效益的方法，并且該領域可以從基于AI的工具中受益，以幫助病理學家完成臨床工作流程。

總之，自動圖像分析方法在提高肺癌分型診斷精度和減少人為錯誤方面具有巨大潛力。

2.2 PD-L1免疫組化表達評估在某些情況下病理學家需要分析重復的任務，如計數(shù)核分裂或某些免疫組化標記陽性的細胞。AI可能使這些過程自動化，并提高診斷的準確性和工作流程的效率，包括Ki67陽性細胞計數(shù)、乳腺癌HER2表達、結直腸癌微衛(wèi)星不穩(wěn)定（MSI）判讀等。在肺癌治療方面，免疫組化檢測腫瘤PD-L1狀態(tài)已成為篩選非小細胞肺癌患者受益于程序性細胞死亡配體1（PD-1）/及其配體（PD-L1）抑制劑的常規(guī)方法。PD-L1腫瘤比例評分（TPS）是指部分或完整膜染色（≥1+）的腫瘤細胞占樣品中所有活腫瘤細胞（陰性和陽性）的百分比，其評估具有一定挑戰(zhàn)性，因為PD-L1在腫瘤細胞和各種免疫細胞中都同時表達。不同病理學家的手動評分可能會產(chǎn)生不一致的結果，尤其當TPS較低時，病理學家的評分可能是內(nèi)在錯誤來源[18]。最近，許多類型的研究已經(jīng)證明了基于深度學習的方法能夠自動估計PD-L1狀態(tài)。Cheng等[19]探索并優(yōu)化了3種不同的AI模型用于自動分析肺癌患者PD-L1免疫組化表達。其中2種在PD-L1（SP263）中實現(xiàn)了高度準確的性能，準確度和特異性分別為96.4%和96.8%。Hondelink等[20]開發(fā)的基于深度學習的TPS算法，與參考分數(shù)（79%）的一致性與病理學家之間的一致性（75%）相似。這些結果并不令人感到意外，因為與細胞病理學家的視覺估計相比，使用軟件對數(shù)字化細胞塊材料中的細胞數(shù)量進行定量分析更為可靠[21]。與人工估算相比，AI可以獲得TPS的精確值而不是近似范圍，其可以作為日常病理診斷“評分助手”，通過預先篩選PD-L1切片并將定量值作為第二意見提供給病理 學家。

2.3 分子病理檢測目前對靶向藥物種類選擇上和腫瘤免疫治療應用的前提是必須進行相關的腫瘤分子病理相關檢測，然而周轉時間短、組織使用和高成本可能成為分子病理檢測流程的瓶頸。對腫瘤組織進行分子生物標志物檢測前需要病理學家顯微鏡下估測送檢組織切片中腫瘤細胞百分比，這一過程有可能引入觀察者間的變異性，并影響后續(xù)分子檢測的質量。對此Hamilton等[22]開發(fā)并驗證了名為TissueMark系統(tǒng)的自動圖像分析方法，其結果自動識別腫瘤區(qū)域與相同的EGFR突變狀態(tài)高度一致，并且對腫瘤百分比測量值的細胞計數(shù)自動分析與基準腫瘤細胞計數(shù)有顯著相關性（P＜0.001）。該系統(tǒng)將有助于保證樣本質量及腫瘤DNA充足性。

組織學圖像中包含的表型數(shù)據(jù)能反映分子改變對癌細胞行為的總體影響，并能為疾病的侵襲性提供實用的視覺解讀。Fu等[23]對28種癌癥進行了泛癌種計算組織病理學（PC-CHiP）分析發(fā)現(xiàn)：腫瘤形態(tài)與其分子組成之間的聯(lián)系可以在每種癌癥類型和幾乎所有類別中找到，這些分子改變包括全基因組重復、個體染色體非整倍體、局灶性擴增和缺失及驅動基因突變等。在肺癌方面，Kadota等[24]通過組織學觀察和分子檢測研究發(fā)現(xiàn)，肺腺癌中含黏液的組織類型與KRAS突變相關，而ALK的表達與腺癌中的印戒樣細胞形態(tài)密切相關，EGFR突變則與貼壁型腺癌類型相關，提示肺癌組織形態(tài)學改變與基因改變是有關聯(lián)的。基于此Coudray等[25]通過AI不但建立了非小細胞肺癌的識別模型（圖像塊預測準確性達96.1%），還對存在基因突變和缺乏基因突變的WSI深入分析找出差異后，成功預測EGFR、STK11、FAT1、SETBP1、KRAS和TP53的突變，其中EGFR突變預測準確性達80%，STK11突變預測準確性最高（AUC 0.85）。Kather等[26]利用包含多種實體腫瘤的5000多名患者的組織切片，開發(fā)、優(yōu)化和外部驗證了一個深度學習管道，并在肺腺癌中檢測到TP53、KEAP1、PDGFRB、FGFR2及FBXW7突變（AUROC 0.60-0.78）。在國內(nèi)將AI應用在肺癌基因預測方面的研究還非常少，2020年王荃等[27]利用非小細胞肺癌HE染色的WSI開發(fā)了EGFR基因突變風險預測模型，在測試集上其AUC為0.72，準確率為70.8%?？傊诮M織病理學的AI在肺癌基因預測方面前景廣闊，但目前研究的病例數(shù)普遍不多，預測值偏低，模型還有待 改進。

3 基于組織病理學的肺癌預后預測

最近研究發(fā)現(xiàn)，使用計算機算法對組織病理圖像進行系統(tǒng)分析可以揭示解碼肺癌腫瘤發(fā)展和進展的隱藏信息，從而對疾病預后進行預測。在2016年Yu等[28]利用基于定量特征的組織病理學圖像分類器成功預測I期肺腺癌和肺鱗狀細胞癌患者的生存結果（AUC＞0.75）。Luo等[29]利用計算機算法從HE染色病理圖像中提取并確定與肺浸潤性腺癌和鱗狀細胞癌預后顯著相關的形態(tài)特征，并以此開發(fā)了肺癌患者預后預測模型。Wang等[30]使用DCNN算法開發(fā)了肺癌病理圖像的自動腫瘤區(qū)域識別系統(tǒng)，其提取了 15個與肺腺癌患者的生存結果顯著相關的腫瘤形狀和邊界特征，為腫瘤形態(tài)與患者預后之間的關系提供了新的見解。此外，一些研究表明AI對腫瘤微環(huán)境相關特征進行學習并以此開發(fā)的模型也能達到預測患者生存的 目的[31-32]。

雖然可以基于組織病理學以完全自動化的方式對腫瘤預后進行預測，但仍無法與完整的分子和臨床檢查相比。因此組織病理學改變是潛在分子改變的反映，而不是獨立特征[23]。隨著技術和分析方法的進步，可以將腫瘤組織病理分析與分子分析和所有其他臨床檢查結果相結合，全面描繪疾病機制、腫瘤分級和患者預后，并最終指導精準化治療方案的制定。

4 醫(yī)院可實現(xiàn)的應用場景

隨著醫(yī)院病理數(shù)字化項目的推進和患者及家屬對數(shù)字化切片的廣泛認可，人工智能病理在醫(yī)院會得到廣泛應用，特別是在發(fā)病率和死亡率居高不下的肺癌領域。在大醫(yī)院，協(xié)助培養(yǎng)年輕醫(yī)生的亞?？婆嘤柡脱芯可目蒲醒芯?，在中小醫(yī)院將起到重要的輔助診療作用，并提高診斷的準確性，賦能分子生物方面的靶向及免疫治療預測，減少不必要的檢測，并提高陽性檢出率，節(jié)約社會醫(yī)療資源。在量化方面，不論是免疫組化還是分子檢測，都能大大提高準確性和一致性，在整合診斷和治療策略方面，人工智能都會發(fā)揮重要作用。

5 總結與展望

AI非常善于發(fā)現(xiàn)高維數(shù)據(jù)中的復雜結構，非常適合病理數(shù)字圖像分析，近年來用于肺癌病理圖像分析的AI研究正迅速增加。對于相對簡單的任務，一些AI模型已能接近病理專家水平，而涉及多醫(yī)學中心、大樣本量及多模態(tài)的AI模型還需進一步研究。目前在某些任務中AI的表現(xiàn)可以與病理專家相媲美，但其想要在臨床實踐中廣泛開展仍面臨許多重大挑戰(zhàn)。盡管數(shù)字化病理研究在逐年增加，但普遍數(shù)據(jù)量較少，無法真正評估模型的普遍性，因此未來AI病理模型還需要囊括更大的數(shù)據(jù)集，甚至是多中心、不同國家的患者群體，或是聯(lián)合模型應用[33]。此外，AI應用于臨床實踐之前還需要考慮道德、隱私和網(wǎng)絡安全等方面的問題。

隨著精準醫(yī)療及個體化治療需求提出，病理學家的任務不僅限于在顯微鏡下分析組織，還需要整合不同來源的臨床數(shù)據(jù)、影像學結果以及患者的具體情況，為臨床提供更多相關信息以利于患者后續(xù)治療方案選擇及預后評估。然而目前大多數(shù)病理領域AI研究較單一，臨床價值有限。2017年Yu等[34]提出了一種整合組織病理學及轉錄組學的模型，在對肺腺癌I期患者預后預測中的表現(xiàn)（AUC＞0.81）優(yōu)于單一的基因表達或組織病理學模型。2022年Qin等[35]開發(fā)的基于多種臨床特征的肺癌EGFR突變預測的ANN模型（包括年齡、性別、吸煙史、血清腫瘤標志物水平、18F-FDG PET/CT顯像最大標準化攝取值、病理結果、CT圖像和EGFR突變狀態(tài)），其結果發(fā)現(xiàn)女性、腺癌、胸膜凹陷和病理性支氣管氣相是EGFR突變型存在的陽性預測因子；構建的3種模型預測EGFR突變狀態(tài)AUC分別為0.91、0.86和0.71。在未來，用于肺癌診斷和預后預測的多模態(tài)AI模型或可為該領域提供一個頗具前景的研究方向，并將有助于推進精準腫瘤醫(yī)學 發(fā)展。

AI有潛力革新病理學領域，其將改變病理服務的管理方式并滿足精準醫(yī)療時代的需求。隨著AI技術的改進和發(fā)展，在未來數(shù)字病理將發(fā)揮主導作用，使診斷更加高效和準確，幫助病理學家滿足越來越多患者的需求并幫助臨床增加疾病的治療選擇范圍。