人工智能在乳腺癌病理診斷中的應(yīng)用價(jià)值

岳 萌，劉月平

隨著乳腺癌精準(zhǔn)治療的發(fā)展，對(duì)病理診斷提出了更高的要求。實(shí)際臨床工作中，乳腺病理診斷工作重點(diǎn)是對(duì)乳腺癌的規(guī)范性診斷，尤其是ER、PR、Ki-67、HER-2等與治療及預(yù)后相關(guān)的免疫組化指標(biāo)的判讀，費(fèi)時(shí)費(fèi)力，且不同醫(yī)師之間判讀的一致性差。基于計(jì)算機(jī)圖像分析的發(fā)展，客觀、定量的全切片數(shù)字化掃描圖像(whole slide imaging, WSI)應(yīng)運(yùn)而生，而人工智能(artificial intelligence, AI)可以解決病理診斷的痛點(diǎn)。AI是模擬人類智能的計(jì)算機(jī)系統(tǒng)，機(jī)器學(xué)習(xí)(machine learning, ML)是AI的一個(gè)子領(lǐng)域，其通過開發(fā)算法，使計(jì)算機(jī)直接從數(shù)據(jù)中“學(xué)習(xí)”、解決問題。大多數(shù)ML算法可作為數(shù)學(xué)模型，將樣本的一組變量特征映射到結(jié)果標(biāo)簽中。隨著計(jì)算能力的增長，深度學(xué)習(xí)(deep learning, DL)利用數(shù)百萬個(gè)類似神經(jīng)元的單元來學(xué)習(xí)圖像像素值與其語義標(biāo)簽之間的復(fù)雜關(guān)系。具有檢測器分層模式的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)基于圖像的檢測和分割，以識(shí)別和量化細(xì)胞和組織學(xué)特征，在圖像識(shí)別問題上具有優(yōu)越性；遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)使用自連接檢測器模式進(jìn)行序列處理。目前ML已被廣泛用于由標(biāo)注的組織病理數(shù)據(jù)集中建立的學(xué)習(xí)模型，因此可提供更準(zhǔn)確的預(yù)后預(yù)測，識(shí)別潛在的藥物靶向指標(biāo)。該文重點(diǎn)闡述ML和AI的算法在乳腺癌病理診斷、預(yù)后中的應(yīng)用現(xiàn)狀、發(fā)展以及挑戰(zhàn)。

1 乳腺癌病理診斷

1.1 AI輔助乳腺癌病理定性診斷乳腺癌病理診斷過程中，首先要確定是否為浸潤性癌、確定腫瘤類型及TNM分期。Cruz-Roa等[1]利用CNN從乳腺癌WSI中獲取的patch建模，區(qū)分是否為浸潤性導(dǎo)管癌，用來自多中心的400張已標(biāo)注的切片訓(xùn)練模型，并在200張標(biāo)注的切片上驗(yàn)證其性能，F(xiàn)-1得分為75.86%。Spanhol等[2]使用BreaKHis數(shù)據(jù)集訓(xùn)練分類器可區(qū)分出8種良性和惡性乳腺腫瘤，準(zhǔn)確性可達(dá)93.2%。

1.2 AI輔助淋巴結(jié)轉(zhuǎn)移的診斷按照AJCC N分期標(biāo)準(zhǔn)，淋巴結(jié)分期不同預(yù)后不同，準(zhǔn)確檢測早期乳腺癌患者的腋窩淋巴結(jié)情況，能更好地預(yù)測乳腺癌患者術(shù)后的無復(fù)發(fā)生存時(shí)間和總生存時(shí)間。在ML輔助淋巴結(jié)轉(zhuǎn)移的病理診斷上，目前已開發(fā)了多種DL算法，并在挑戰(zhàn)賽中驗(yàn)證了其性能，在有限時(shí)間內(nèi)模擬診斷場景，顯示出算法的效能明顯優(yōu)于參與的11位病理醫(yī)師[3]。具體是使用了2個(gè)中心270例淋巴結(jié)切片作為訓(xùn)練集(其中110例陽性，160例陰性)，驗(yàn)證了129例淋巴結(jié)圖像(49例陽性，80例陰性)，算法最佳曲線下面積(area under the curve,AUC)達(dá)到0.99，而病理醫(yī)師的最佳性能AUC為0.88。另外，ML輔助評(píng)估淋巴結(jié)轉(zhuǎn)移的效率也明顯高于病理醫(yī)師，有報(bào)道顯示ML輔助評(píng)估淋巴結(jié)微轉(zhuǎn)移及無轉(zhuǎn)移在時(shí)間上分別縮短了1.9倍和1.2倍[4-5]。

準(zhǔn)確預(yù)測早期乳腺癌患者的腋窩淋巴結(jié)情況，建立淋巴結(jié)轉(zhuǎn)移風(fēng)險(xiǎn)預(yù)測模型，可有效減少術(shù)后并發(fā)癥，改善患者預(yù)后，輔助外科醫(yī)師準(zhǔn)確制定腋窩淋巴結(jié)清掃方案。對(duì)此筆者收集了4 038例乳腺癌患者的活檢病理WSI圖片及臨床病理學(xué)指標(biāo)。應(yīng)用Tabular Learning模型，以是否存在淋巴結(jié)轉(zhuǎn)移作為監(jiān)督信號(hào)，聯(lián)合訓(xùn)練2個(gè)模態(tài)的DL網(wǎng)絡(luò)，從而得到最終的模型預(yù)測。結(jié)果顯示將臨床病理指標(biāo)提取的Tabular特征和病理圖片的整體信息相結(jié)合后，利用臨床病理指標(biāo)的特征指導(dǎo)多示例模型在示例層面的注意力分配，提升了多示例學(xué)習(xí)在弱監(jiān)督信號(hào)下的學(xué)習(xí)效率和性能。目前已報(bào)道使用臨床指標(biāo)的較好預(yù)測效果AUC為0.74[6]，而筆者針對(duì)單模態(tài)的DL網(wǎng)絡(luò)帶來了性能的顯著增益，再結(jié)合病理圖片這一模態(tài)的信息，最終AUC可達(dá)到0.88(未發(fā)表數(shù)據(jù))。

1.3 AI輔助組織學(xué)分級(jí)乳腺癌Nottingham組織學(xué)分級(jí)與患者的治療和預(yù)后均有顯著相關(guān)性，目前病理醫(yī)師主要基于視覺評(píng)估腫瘤組織的形態(tài)學(xué)特征，即根據(jù)小管形成的比例、核異型性和核分裂半定量計(jì)數(shù)，且病理醫(yī)師之間的判讀一致性較差。

核分裂計(jì)數(shù)是較有意義且費(fèi)力的工作，核碎裂、凋亡細(xì)胞和不規(guī)則核的炎癥細(xì)胞常干擾病理醫(yī)師的判讀，而ML在自動(dòng)判讀核分裂計(jì)數(shù)方面具有優(yōu)越性。2013年Veta等[7]設(shè)立的核分裂計(jì)數(shù)挑戰(zhàn)賽中，建立的數(shù)據(jù)集中包含12張訓(xùn)練切片、11張測試切片，合計(jì)約1 000個(gè)標(biāo)注的核分裂圖像。獲勝者使用了10層深度CNN，在與病理醫(yī)師判讀的一致性上總F-1值為0.61，個(gè)別病理醫(yī)師的總F-1分?jǐn)?shù)>0.75，因而AI在核分裂計(jì)數(shù)方面也嶄露頭角。另外，病理醫(yī)師計(jì)數(shù)細(xì)胞核分裂費(fèi)時(shí)費(fèi)力也導(dǎo)致了病理醫(yī)師之間判讀的高度不一致。免疫組化PHH3染色對(duì)識(shí)別核分裂具有較高的敏感性。筆者團(tuán)隊(duì)?wèi)?yīng)用免疫組化PHH3染色識(shí)別出腫瘤細(xì)胞核分裂，褪染后行HE染色，保證AI可以識(shí)別同一個(gè)平面的瘤細(xì)胞，為CNN進(jìn)行標(biāo)注，經(jīng)過幾個(gè)輪次的迭代訓(xùn)練，AI可自動(dòng)識(shí)別疑似的核分裂象，同時(shí)訓(xùn)練網(wǎng)絡(luò)要過濾掉假陽性細(xì)胞(未發(fā)表數(shù)據(jù))。有研究在近100張WSI中得到22 000多張標(biāo)注的patch，但CNN并未能達(dá)到TUPAC16水平。病理醫(yī)師標(biāo)注的差異性是一個(gè)重要原因[8]。但其后續(xù)工作表明，使用CNN輔助核分裂檢測可以提高病理醫(yī)師之間的一致性[9]。

小管形成和核異型性是乳腺癌組織學(xué)分級(jí)的另外兩個(gè)重要因素。目前尚無關(guān)于這兩個(gè)因素自動(dòng)判讀算法的報(bào)道。已發(fā)表的研究多聚焦于分析其相關(guān)的組織結(jié)構(gòu)，訓(xùn)練CNN檢測計(jì)算有關(guān)核的數(shù)據(jù)[10]。

1.4 AI輔助免疫組化判讀生物標(biāo)志物狀態(tài)是乳腺癌診斷的重要內(nèi)容。通過評(píng)估免疫組化ER、PR、HER-2和Ki-67表達(dá)水平確定患者治療方案，但其在不同觀察者之間存在顯著差異，因此需要基于ML幫助病理醫(yī)師進(jìn)行乳腺癌常規(guī)免疫組化的指標(biāo)評(píng)估。

免疫組化染色強(qiáng)度的自動(dòng)定量是早期ML在乳腺癌數(shù)字病理領(lǐng)域的應(yīng)用。隨著AI的發(fā)展，有研究者使用自動(dòng)細(xì)胞圖像系統(tǒng)來確定HER-2不同染色強(qiáng)度的乳腺癌細(xì)胞比例，發(fā)現(xiàn)與FISH和免疫組化主觀評(píng)估的結(jié)果相比，算法與FISH檢測HER-2狀態(tài)之間的一致性更高[11]。用核識(shí)別算法量化免疫組化的ER和PR表達(dá)，發(fā)現(xiàn)主觀判讀和算法量化之間的一致性為0.9[12]。有學(xué)者使用公開的數(shù)字圖像分析軟件分析了60例乳腺癌免疫組化HER-2 2+或3+的病例，結(jié)果顯示算法的預(yù)測與病理醫(yī)師按照共識(shí)評(píng)估結(jié)果完全一致[13]。直接從HE切片上預(yù)測乳腺癌的生物標(biāo)志物狀態(tài)，是最近AI在乳腺病理領(lǐng)域研究的熱點(diǎn)，可完全避免免疫組化染色對(duì)判讀的影響。有研究建立了基于組織學(xué)特征和DL的模型來預(yù)測ER狀態(tài)，在571張HE組織芯片圖像上進(jìn)行了訓(xùn)練，并在288張圖像上進(jìn)行測試，最終預(yù)測的準(zhǔn)確度為84%[14]。Ki-67與乳腺癌的進(jìn)展密切相關(guān)。國際乳腺癌Ki-67工作組最新發(fā)布的Ki-67評(píng)估，推薦采用標(biāo)準(zhǔn)化的視覺評(píng)估方法判讀Ki-67。并通過使用一系列平臺(tái)和軟件評(píng)價(jià)Ki-67自動(dòng)評(píng)估的可行性，結(jié)果顯示同一品牌掃描儀的8個(gè)軟件平臺(tái)，平均自動(dòng)評(píng)分ICC為0.89(95%CI=0.81～0.96)，達(dá)到預(yù)期的研究標(biāo)準(zhǔn)，與病理醫(yī)師主觀評(píng)分相似，ICC=0.87(95%CI=0.81～0.93)[15]。

1.5 AI助力分子檢測乳腺癌分子亞型可以更好的指導(dǎo)患者個(gè)體化治療，也是腫瘤異質(zhì)性的分子生物學(xué)基礎(chǔ)。但由于平臺(tái)差異、批次效應(yīng)等，基因表達(dá)的分類尚未充分開展。因此，有研究建立了一種新的乳腺癌分子監(jiān)督分類模型DeepCC[16]。首先從公共數(shù)據(jù)庫獲得每個(gè)腫瘤樣本的基因數(shù)據(jù)集進(jìn)行富集分析。每個(gè)患者的富集得分與基因變異相關(guān)的分子模式，稱為功能譜。然后以功能譜作為輸入，利用多層人工神經(jīng)網(wǎng)絡(luò)功能，使用一致的分子分型系統(tǒng)PAM50，進(jìn)一步評(píng)估DeepCC分類器對(duì)乳腺癌中跨平臺(tái)基因編譯的魯棒性。結(jié)果顯示，在5個(gè)獨(dú)立的乳腺癌數(shù)據(jù)集中，樣本在深度特征空間分配的亞型中分布更緊密；在2個(gè)關(guān)于結(jié)直腸癌和乳腺癌分類的案例研究中，與隨機(jī)森林、支持向量機(jī)、梯度提升機(jī)和多項(xiàng)Logistic回歸算法相比，DeepCC分類器和DeepCC單一樣本預(yù)測值總體上均具有更高的敏感性、特異性和準(zhǔn)確性。此外，DeepCC學(xué)習(xí)到的深層特征捕獲了與不同分子亞型相關(guān)的生物學(xué)特征，從而使患者分子亞型內(nèi)的分布和亞型間分離更加完善，因此大大減少了以前無法分類的樣本數(shù)?？傊?，DeepCC提供的癌癥分類框架，對(duì)丟失的數(shù)據(jù)具有魯棒性，并可用于單個(gè)樣本預(yù)測，更有利于促進(jìn)癌癥分子亞型的臨床應(yīng)用。

有研究使用機(jī)器監(jiān)督學(xué)習(xí)算法和特征選擇方法，建立能區(qū)分浸潤性導(dǎo)管癌早期和晚期的預(yù)測模型數(shù)據(jù)集。從癌癥基因組圖譜(The Cancer Genome Atlas, TCGA)數(shù)據(jù)庫中選取610例不同分期的浸潤性導(dǎo)管癌RNA-seq基因表達(dá)譜進(jìn)行預(yù)測模型訓(xùn)練。去除近零方差特征和相關(guān)系數(shù)大于80%的特征。利用pythonsicikit學(xué)習(xí)庫，對(duì)線性建模、線性回歸和隨機(jī)森林等不同的特征進(jìn)行訓(xùn)練和評(píng)價(jià)，選擇最重要的基因特征進(jìn)行豐富的分類器訓(xùn)練，根據(jù)腫瘤不同分期的特異性基因表達(dá)譜對(duì)腫瘤進(jìn)行有效分類。結(jié)果顯示采用十倍交叉驗(yàn)證進(jìn)行評(píng)估時(shí)，基于隨機(jī)森林的模型在訓(xùn)練數(shù)據(jù)集上的auROC為0.93，取得了最佳性能。在所有的預(yù)測模型中，隨機(jī)森林達(dá)到了整體所有基因表達(dá)模型精確召回曲線下的最大面積；通過對(duì)選擇的基因特征進(jìn)行差異表達(dá)分析，根據(jù)選定的特征可分離早期和晚期的類標(biāo)簽，將數(shù)據(jù)集可視化到三維空間中，早期和晚期的樣本可以得到很好的分類[17]。

2 輔助預(yù)測乳腺癌患者預(yù)后

腫瘤組織的許多形態(tài)學(xué)特征具有預(yù)后價(jià)值，如細(xì)胞核形狀、結(jié)構(gòu)及腫瘤浸潤淋巴細(xì)胞(tumor infiltrating lymphocytes, TILs)等定量特征均能夠獨(dú)立地預(yù)測乳腺腫瘤患者的復(fù)發(fā)風(fēng)險(xiǎn)。

一項(xiàng)研究使用CNN量化TCGA數(shù)據(jù)庫中TILs圖像的結(jié)構(gòu)，可預(yù)測13種不同癌癥亞型的預(yù)后[18]。在三陰型乳腺癌建模后，根據(jù)淋巴細(xì)胞與癌細(xì)胞的空間接近程度，可鑒定出三種不同類別的淋巴細(xì)胞。腫瘤內(nèi)淋巴細(xì)胞與癌細(xì)胞的比例是生存預(yù)后的獨(dú)立預(yù)測因子，且與TMA基因表達(dá)譜確定的細(xì)胞毒性T淋巴細(xì)胞蛋白4(cytotoxic T lymphocyte protein 4, CTLA-4)表達(dá)水平相關(guān)。進(jìn)一步研究顯示，免疫細(xì)胞的空間分布與ER陽性乳腺癌的晚期復(fù)發(fā)有關(guān)[19]。也有研究使用經(jīng)典的ML算法對(duì)乳腺癌活檢組織的特征進(jìn)行分析，可預(yù)測新輔助治療反應(yīng)，其中周圍組織中的淋巴細(xì)胞密度是最有效的預(yù)測因子[20]。

復(fù)發(fā)風(fēng)險(xiǎn)也是評(píng)估預(yù)后的一個(gè)重要方面。最近有學(xué)者開發(fā)了一種新型的ML處理架構(gòu)，使用回顧性研究乳腺導(dǎo)管原位癌(ductal carcinoma in situ, DCIS)患者(n=344例)的WSI和長期臨床病理隨訪數(shù)據(jù)預(yù)測DCIS同側(cè)復(fù)發(fā)的風(fēng)險(xiǎn)[21]。首先，將分類器應(yīng)用于WSI，通過處理架構(gòu)對(duì)數(shù)字化WSI進(jìn)行分析，標(biāo)注腫瘤間質(zhì)、正常/良性導(dǎo)管、腫瘤性導(dǎo)管、密集淋巴細(xì)胞和血管的區(qū)域。研究者對(duì)標(biāo)注區(qū)域相關(guān)的結(jié)構(gòu)和空間組織特征進(jìn)行了復(fù)發(fā)風(fēng)險(xiǎn)分類器訓(xùn)練，以預(yù)測復(fù)發(fā)風(fēng)險(xiǎn)，該復(fù)發(fā)分類器在獨(dú)立的驗(yàn)證集中很好預(yù)測了10年的復(fù)發(fā)風(fēng)險(xiǎn)(85%)。與單純臨床病理變量預(yù)測相比，該分類器顯示出更高的準(zhǔn)確性、特異性、陽性預(yù)測值、一致性和風(fēng)險(xiǎn)比。此外，驗(yàn)證隊(duì)列還確定了可能從其他治療中受益的患者。

目前大多數(shù)研究主要是探討腫瘤上皮細(xì)胞特征影響預(yù)后的機(jī)制，有研究從乳腺癌患者樣本的WSI中提取上皮和間質(zhì)區(qū)域的兩種形態(tài)、空間關(guān)系和總體圖像特征相關(guān)的特征。這些特征用于訓(xùn)練預(yù)后模型，顯示與乳腺癌患者隊(duì)列的總體生存率密切相關(guān)。與上皮區(qū)域提取的特征(P=0.02)相比，間質(zhì)區(qū)提取的特征預(yù)后價(jià)值更高(P<0.004)，此結(jié)論在兩個(gè)中心得到進(jìn)一步驗(yàn)證[22]。

3 AI在乳腺病理學(xué)應(yīng)用中面臨的挑戰(zhàn)

雖然關(guān)于AI及數(shù)字病理在病理行業(yè)的研究成果捷報(bào)頻傳，但數(shù)字病理的應(yīng)用率仍較低，且面臨較多挑戰(zhàn)。AI在乳腺病理領(lǐng)域應(yīng)用的阻礙因素可能有：(1)工作量較大，實(shí)現(xiàn)條件較高?，F(xiàn)階段，AI輔助病理診斷并未減少病理切片的存儲(chǔ)需要，且增加圖像儲(chǔ)存條件，甚至可能使工作流程更為復(fù)雜。此外，AI應(yīng)用對(duì)于人員、設(shè)備的要求較高，需要資金支持，因此數(shù)字病理目前應(yīng)用率尚不理想。(2)圖像質(zhì)量控制標(biāo)準(zhǔn)化較困難。AI的應(yīng)用很大程度上依賴于輸入數(shù)據(jù)的數(shù)量和質(zhì)量，基于圖像的模型，圖像質(zhì)量會(huì)對(duì)AI性能產(chǎn)生很大影響。而目前尚缺乏針對(duì)數(shù)字化切片一致的文件格式及集成的信息系統(tǒng)[23]。此外，用于訓(xùn)練AI算法的數(shù)字化切片應(yīng)背景干凈，無偽影且組織齊全，才可開發(fā)出具有良好預(yù)測性能的模型。除圖像的質(zhì)量外，標(biāo)注的質(zhì)量更重要。AI用于生物結(jié)構(gòu)分割方面，其性能取決于病理醫(yī)師對(duì)學(xué)習(xí)數(shù)據(jù)集標(biāo)注的保真性[24]。如果標(biāo)注有高度可變性，將導(dǎo)致對(duì)模型的監(jiān)控信號(hào)不一致，可能會(huì)導(dǎo)致模型失敗。此外，模型性能的評(píng)估常與參考標(biāo)準(zhǔn)不一致。參考標(biāo)準(zhǔn)的嚴(yán)格程度決定了評(píng)估結(jié)果的可信賴性。因此，需要由專業(yè)的病理醫(yī)師建立準(zhǔn)確標(biāo)注的參考數(shù)據(jù)集，使AI算法性能的評(píng)估標(biāo)準(zhǔn)化。(3)需要進(jìn)行系統(tǒng)驗(yàn)證和日常性能監(jiān)控?；谔囟ㄈ蝿?wù)開發(fā)的ML工具，最重要的是要考慮其實(shí)際工作場景。不同病例的AI評(píng)估結(jié)果可能會(huì)有差異，若缺乏正確的應(yīng)用場景會(huì)降低醫(yī)師的信任度，阻礙AI在乳腺病理中的應(yīng)用。因此需要進(jìn)行系統(tǒng)驗(yàn)證和日常性能監(jiān)控[25]。首先，驗(yàn)證應(yīng)選擇符合預(yù)期結(jié)果的病例。例如，所應(yīng)用的病例在診斷前、后，需要選擇代表性的多中心數(shù)據(jù)對(duì)基于ML的模型進(jìn)行充分驗(yàn)證，確保方法的通用性和可操作性。此外，回顧性評(píng)估數(shù)據(jù)集可能會(huì)因?yàn)榘豢深A(yù)料的偏移導(dǎo)致真實(shí)世界驗(yàn)證失敗。前瞻性研究可以提高對(duì)ML模型的信任度，性能隨著時(shí)間推移而得到驗(yàn)證，但由于需要與真實(shí)世界的臨床工作流程融會(huì)貫通，實(shí)施起來也更具挑戰(zhàn)性。另一方面，在實(shí)際應(yīng)用中，ML模型可作為病理醫(yī)師診斷的輔助工具，需要通過多個(gè)病例，多項(xiàng)讀者研究對(duì)人機(jī)界面進(jìn)行額外評(píng)估。在這方面，模型的可解釋性是重要方面。因?yàn)槿狈山忉屝詴?huì)降低醫(yī)師的信任度[26]。若醫(yī)師無法理解算法的結(jié)果，則可能會(huì)忽略算法的結(jié)果，從而限制其實(shí)用性。顯示可信度水平或限定向醫(yī)師顯示的信息量可緩解此問題。也有研究探索了可解釋性，以了解在識(shí)別腫瘤時(shí)引發(fā)模型激活的輸入特征是什么。盡管如此，無論是在乳腺領(lǐng)域還是在整個(gè)AI行業(yè)，提高可解釋性仍然是研究的重點(diǎn)領(lǐng)域[27]。

4 基于AI工具在病理領(lǐng)域的應(yīng)用和展望

國內(nèi)目前已有集合AI算法的AI顯微鏡獲批，但仍未得到大范圍應(yīng)用。ML應(yīng)用于數(shù)字病理研究中的標(biāo)注多來自病理醫(yī)師的標(biāo)準(zhǔn)，模型的表現(xiàn)可能與專家水平更為接近，進(jìn)而可推動(dòng)普通病理醫(yī)師應(yīng)用該模型。試想，若結(jié)合疾病特異性、總體生存率、對(duì)治療的反應(yīng)及其他結(jié)果變量，完美建立不受人為因素約束的預(yù)后模型，且驗(yàn)證顯示相比現(xiàn)有的風(fēng)險(xiǎn)分層系統(tǒng)，可更好地預(yù)測患者的生存，則可能會(huì)得到廣泛應(yīng)用。ML工具用于數(shù)字病理的優(yōu)勢還表現(xiàn)在對(duì)現(xiàn)有工作流程的改進(jìn)。自動(dòng)化工具可使病理醫(yī)師工作更加高效，特別是在處理一些繁重的工作時(shí)(如計(jì)數(shù)核分裂、Ki-67計(jì)數(shù))。數(shù)字病理ML的成功也取決于其實(shí)現(xiàn)的細(xì)節(jié)。算法非軟件工具，若不以一種易于病理醫(yī)師理解的方式給出其預(yù)測，那么即使最好的模型也難以被接受?！皠?chuàng)新即有未來”，要使ML真正應(yīng)用于乳腺癌病理診斷領(lǐng)域，引領(lǐng)并擔(dān)負(fù)AI在乳腺癌病理領(lǐng)域驗(yàn)證是病理專家不容置疑的責(zé)任。

5 結(jié)論

隨著WSI技術(shù)廣泛用于乳腺病理的初步診斷，也會(huì)使基于AI的工具逐漸被病理醫(yī)師所接受。一旦AI在乳腺病理學(xué)領(lǐng)域的應(yīng)用增加，不僅有望能輔助乳腺病理醫(yī)師的工作，減輕其工作量并提高診斷準(zhǔn)確性，而且還可提供更多基于顯微鏡下視野的形態(tài)特征信息預(yù)測乳腺癌患者預(yù)后。