人工智能在肺癌病理診斷中的應(yīng)用及展望

王清揚(yáng)，王書(shū)浩，鐘定榮*

[1.北京協(xié)和醫(yī)學(xué)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(lái)（北京）科技有限公司，北京 100102]

肺癌是全球癌癥相關(guān)死亡的主要原因，據(jù)統(tǒng)計(jì)2020年有近180萬(wàn)人死于肺癌[1]。而中國(guó)，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(biāo)。病理學(xué)是用以確定肺癌最終診斷的基本工具，有效和準(zhǔn)確的病理診斷對(duì)于患者的后續(xù)治療至關(guān)重要。傳統(tǒng)病理診斷由經(jīng)驗(yàn)豐富的病理學(xué)家在顯微鏡下逐一評(píng)估所有切片，此過(guò)程耗時(shí)長(zhǎng)、主觀性強(qiáng)，經(jīng)驗(yàn)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(zhǔn)確性和穩(wěn)定性是一項(xiàng)挑戰(zhàn)。

人工智能（AI）自提出起，為現(xiàn)代社會(huì)帶來(lái)了前所未有的機(jī)遇。病理領(lǐng)域AI研究最早可追溯到20世紀(jì)60年代，Mendelsohn等[2]首次嘗試將圖像分析算法應(yīng)用于細(xì)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(xué)的發(fā)展。WSI是一項(xiàng)涉及高速、高分辨率數(shù)字采集圖像的技術(shù)，使病理學(xué)家可以在計(jì)算機(jī)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(jié)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(dòng)圖像分析方法在提高診斷精度和減少人為錯(cuò)誤方面表現(xiàn)出巨大潛力。隨著先進(jìn)深度學(xué)習(xí)算法的開(kāi)發(fā)，AI已開(kāi)始嘗試幫助病理學(xué)家完成一些具有挑戰(zhàn)性的診斷任務(wù)，如腫瘤分型、腫瘤轉(zhuǎn)移檢測(cè)、量化有絲分裂和炎癥[5]。最近，利用計(jì)算機(jī)輔助圖像分析來(lái)預(yù)測(cè)肺癌預(yù)后已成為令人振奮的新方向，現(xiàn)代數(shù)字病理學(xué)的快速發(fā)展預(yù)示著臨床病理診斷模式正在發(fā)生轉(zhuǎn)變。本文將介紹具有應(yīng)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(dá)評(píng)估、分子病理檢測(cè)以及肺癌預(yù)后預(yù)測(cè)的 應(yīng)用。

1 具有應(yīng)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(jià)值的信息。病理學(xué)領(lǐng)域的AI模型經(jīng)歷了從專家系統(tǒng)發(fā)展到傳統(tǒng)的機(jī)器學(xué)習(xí)，再到深度學(xué)習(xí)的過(guò)程。常用的AI算法包括人工神經(jīng)網(wǎng)絡(luò)（ANN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、遞歸神經(jīng)網(wǎng)絡(luò)（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(zhuǎn)移檢測(cè)[6-7]。這些算法可能存在學(xué)習(xí)時(shí)間長(zhǎng)、容易過(guò)擬合及結(jié)果的不可解釋性等問(wèn)題，以下介紹的兩種具有應(yīng)用前景的算法可能改變 現(xiàn)狀。

1.1 生成對(duì)抗網(wǎng)絡(luò)生成對(duì)抗網(wǎng)絡(luò)（GAN）在數(shù)字病理學(xué)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(luò)模型，由生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)組成并在相互競(jìng)爭(zhēng)時(shí)同時(shí)進(jìn)行訓(xùn)練，在競(jìng)爭(zhēng)中實(shí)現(xiàn)各自優(yōu)化。在相關(guān)研究報(bào)道中，GAN及其擴(kuò)展的應(yīng)用有效地提高了醫(yī)學(xué)圖像分割的準(zhǔn)確性，為解決許多具有挑戰(zhàn)性的組織病理學(xué)圖像處理問(wèn)題開(kāi)辟多種途徑，如顏色歸一化、虛擬染色、圖像增強(qiáng)、油墨去除、特征提取、細(xì)胞核分割等[8]。GAN還可用于少樣本的數(shù)據(jù)增強(qiáng)，Tekchandani等[9]提出將GAN用于計(jì)算機(jī)斷層掃描（CT）圖像中縱隔淋巴結(jié)肺癌轉(zhuǎn)移檢測(cè)，不僅能顯著減少可訓(xùn)練參數(shù)，還能解決過(guò)擬合問(wèn)題（AUC 0.95）。 Teramoto等[10]使用GAN來(lái)提高深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）肺癌細(xì)胞學(xué)分類模型的精度，結(jié)果使用GAN之后準(zhǔn)確率較前提高了約4.3%，證實(shí)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(xué)習(xí)技術(shù)病理學(xué)常用的AI算法普遍存在域適應(yīng)性差和可解釋性差的問(wèn)題，很多情況下研究人員也無(wú)法解釋模型是如何做決定的，因此常被認(rèn)為是“黑匣子”，這可能會(huì)對(duì)診斷結(jié)果產(chǎn)生深遠(yuǎn)的影響[11]?？山忉尩纳疃葘W(xué)習(xí)技術(shù)（XAI）代表了解釋性分析模型的新方向，有很好的應(yīng)用前景。XAI是指從機(jī)器學(xué)習(xí)模型中提取相關(guān)知識(shí)，這些知識(shí)涉及數(shù)據(jù)中包含的關(guān)系或模型學(xué)習(xí)到的關(guān)系，為提高AI的信任度、透明度及促進(jìn)AI穩(wěn)定發(fā)展提供了希望[12]。近年來(lái)XAI開(kāi)始嘗試應(yīng)用于病理圖像分析，例如Palatnik等[13]訓(xùn)練了一種XAI模型，并在淋巴結(jié)轉(zhuǎn)移組織WSI組成的數(shù)據(jù)集上進(jìn)行二元分類。其觀察結(jié)果表明高解釋權(quán)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(xué)分割一致，這將有助于進(jìn)一步深入了解用于病理圖像診斷的神經(jīng)網(wǎng)絡(luò)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(duì)肺癌的準(zhǔn)確分類及良惡性疾病的鑒別提出了更高的要求。形態(tài)學(xué)評(píng)估仍然是分型的基礎(chǔ)。然而，AI組織學(xué)病理模型的訓(xùn)練通常需要病理學(xué)家耗費(fèi)大量時(shí)間與精力標(biāo)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(xué)亞型進(jìn)行分類的深度學(xué)習(xí)模型。該模型由病理學(xué)家大量注釋后訓(xùn)練，在獨(dú)立測(cè)試集上其kappa得分為0.525，略高于病理學(xué)家kappa得分0.485，與三位病理學(xué)家對(duì)主要亞型進(jìn)行分類的一致性為66.6%。近年來(lái)，為了減輕病理學(xué)家的注釋負(fù)擔(dān)并避免選擇偏差，無(wú)標(biāo)注或少量標(biāo)注的AI模型越來(lái)越受推崇。2021年，Chen等[15]開(kāi)發(fā)了一種無(wú)注釋訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，該模型在肺腺癌和鱗狀細(xì)胞癌分類的測(cè)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(guān)鍵區(qū)域與病理學(xué)家確定的癌癥區(qū)域高度對(duì)應(yīng)。該方法通過(guò)減少對(duì)詳細(xì)注釋的需求，為病理人工智能研究取得更快進(jìn)展鋪平了 道路。

在小活檢標(biāo)本中識(shí)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(méi)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(biāo)本開(kāi)發(fā)了AI模型來(lái)分類肺癌的多項(xiàng)模式，模型宏觀平均AUC為0.90；Kanavati等[17]在由TBLB標(biāo)本構(gòu)成的訓(xùn)練集上訓(xùn)練了一個(gè)模型，用于腺癌、鱗狀細(xì)胞癌、小細(xì)胞肺癌及非腫瘤的分類，測(cè)試集AUC在0.94到0.99之間?；谛』顧z標(biāo)本的組織病理學(xué)診斷是目前最具成本效益的方法，并且該領(lǐng)域可以從基于AI的工具中受益，以幫助病理學(xué)家完成臨床工作流程。

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

2.2 PD-L1免疫組化表達(dá)評(píng)估在某些情況下病理學(xué)家需要分析重復(fù)的任務(wù)，如計(jì)數(shù)核分裂或某些免疫組化標(biāo)記陽(yáng)性的細(xì)胞。AI可能使這些過(guò)程自動(dòng)化，并提高診斷的準(zhǔn)確性和工作流程的效率，包括Ki67陽(yáng)性細(xì)胞計(jì)數(shù)、乳腺癌HER2表達(dá)、結(jié)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(cè)腫瘤PD-L1狀態(tài)已成為篩選非小細(xì)胞肺癌患者受益于程序性細(xì)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(píng)分（TPS）是指部分或完整膜染色（≥1+）的腫瘤細(xì)胞占樣品中所有活腫瘤細(xì)胞（陰性和陽(yáng)性）的百分比，其評(píng)估具有一定挑戰(zhàn)性，因?yàn)镻D-L1在腫瘤細(xì)胞和各種免疫細(xì)胞中都同時(shí)表達(dá)。不同病理學(xué)家的手動(dòng)評(píng)分可能會(huì)產(chǎn)生不一致的結(jié)果，尤其當(dāng)TPS較低時(shí)，病理學(xué)家的評(píng)分可能是內(nèi)在錯(cuò)誤來(lái)源[18]。最近，許多類型的研究已經(jīng)證明了基于深度學(xué)習(xí)的方法能夠自動(dòng)估計(jì)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(dòng)分析肺癌患者PD-L1免疫組化表達(dá)。其中2種在PD-L1（SP263）中實(shí)現(xiàn)了高度準(zhǔn)確的性能，準(zhǔn)確度和特異性分別為96.4%和96.8%。Hondelink等[20]開(kāi)發(fā)的基于深度學(xué)習(xí)的TPS算法，與參考分?jǐn)?shù)（79%）的一致性與病理學(xué)家之間的一致性（75%）相似。這些結(jié)果并不令人感到意外，因?yàn)榕c細(xì)胞病理學(xué)家的視覺(jué)估計(jì)相比，使用軟件對(duì)數(shù)字化細(xì)胞塊材料中的細(xì)胞數(shù)量進(jìn)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(píng)分助手”，通過(guò)預(yù)先篩選PD-L1切片并將定量值作為第二意見(jiàn)提供給病理 學(xué)家。

2.3 分子病理檢測(cè)目前對(duì)靶向藥物種類選擇上和腫瘤免疫治療應(yīng)用的前提是必須進(jìn)行相關(guān)的腫瘤分子病理相關(guān)檢測(cè)，然而周轉(zhuǎn)時(shí)間短、組織使用和高成本可能成為分子病理檢測(cè)流程的瓶頸。對(duì)腫瘤組織進(jìn)行分子生物標(biāo)志物檢測(cè)前需要病理學(xué)家顯微鏡下估測(cè)送檢組織切片中腫瘤細(xì)胞百分比，這一過(guò)程有可能引入觀察者間的變異性，并影響后續(xù)分子檢測(cè)的質(zhì)量。對(duì)此Hamilton等[22]開(kāi)發(fā)并驗(yàn)證了名為TissueMark系統(tǒng)的自動(dòng)圖像分析方法，其結(jié)果自動(dòng)識(shí)別腫瘤區(qū)域與相同的EGFR突變狀態(tài)高度一致，并且對(duì)腫瘤百分比測(cè)量值的細(xì)胞計(jì)數(shù)自動(dòng)分析與基準(zhǔn)腫瘤細(xì)胞計(jì)數(shù)有顯著相關(guān)性（P＜0.001）。該系統(tǒng)將有助于保證樣本質(zhì)量及腫瘤DNA充足性。

組織學(xué)圖像中包含的表型數(shù)據(jù)能反映分子改變對(duì)癌細(xì)胞行為的總體影響，并能為疾病的侵襲性提供實(shí)用的視覺(jué)解讀。Fu等[23]對(duì)28種癌癥進(jìn)行了泛癌種計(jì)算組織病理學(xué)（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(fù)、個(gè)體染色體非整倍體、局灶性擴(kuò)增和缺失及驅(qū)動(dòng)基因突變等。在肺癌方面，Kadota等[24]通過(guò)組織學(xué)觀察和分子檢測(cè)研究發(fā)現(xiàn)，肺腺癌中含黏液的組織類型與KRAS突變相關(guān)，而ALK的表達(dá)與腺癌中的印戒樣細(xì)胞形態(tài)密切相關(guān)，EGFR突變則與貼壁型腺癌類型相關(guān)，提示肺癌組織形態(tài)學(xué)改變與基因改變是有關(guān)聯(lián)的?；诖薈oudray等[25]通過(guò)AI不但建立了非小細(xì)胞肺癌的識(shí)別模型（圖像塊預(yù)測(cè)準(zhǔn)確性達(dá)96.1%），還對(duì)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(yù)測(cè)EGFR、STK11、FAT1、SETBP1、KRAS和TP53的突變，其中EGFR突變預(yù)測(cè)準(zhǔn)確性達(dá)80%，STK11突變預(yù)測(cè)準(zhǔn)確性最高（AUC 0.85）。Kather等[26]利用包含多種實(shí)體腫瘤的5000多名患者的組織切片，開(kāi)發(fā)、優(yōu)化和外部驗(yàn)證了一個(gè)深度學(xué)習(xí)管道，并在肺腺癌中檢測(cè)到TP53、KEAP1、PDGFRB、FGFR2及FBXW7突變（AUROC 0.60-0.78）。在國(guó)內(nèi)將AI應(yīng)用在肺癌基因預(yù)測(cè)方面的研究還非常少，2020年王荃等[27]利用非小細(xì)胞肺癌HE染色的WSI開(kāi)發(fā)了EGFR基因突變風(fēng)險(xiǎn)預(yù)測(cè)模型，在測(cè)試集上其AUC為0.72，準(zhǔn)確率為70.8%。總之，基于組織病理學(xué)的AI在肺癌基因預(yù)測(cè)方面前景廣闊，但目前研究的病例數(shù)普遍不多，預(yù)測(cè)值偏低，模型還有待 改進(jìn)。

3 基于組織病理學(xué)的肺癌預(yù)后預(yù)測(cè)

最近研究發(fā)現(xiàn)，使用計(jì)算機(jī)算法對(duì)組織病理圖像進(jìn)行系統(tǒng)分析可以揭示解碼肺癌腫瘤發(fā)展和進(jìn)展的隱藏信息，從而對(duì)疾病預(yù)后進(jìn)行預(yù)測(cè)。在2016年Yu等[28]利用基于定量特征的組織病理學(xué)圖像分類器成功預(yù)測(cè)I期肺腺癌和肺鱗狀細(xì)胞癌患者的生存結(jié)果（AUC＞0.75）。Luo等[29]利用計(jì)算機(jī)算法從HE染色病理圖像中提取并確定與肺浸潤(rùn)性腺癌和鱗狀細(xì)胞癌預(yù)后顯著相關(guān)的形態(tài)特征，并以此開(kāi)發(fā)了肺癌患者預(yù)后預(yù)測(cè)模型。Wang等[30]使用DCNN算法開(kāi)發(fā)了肺癌病理圖像的自動(dòng)腫瘤區(qū)域識(shí)別系統(tǒng)，其提取了 15個(gè)與肺腺癌患者的生存結(jié)果顯著相關(guān)的腫瘤形狀和邊界特征，為腫瘤形態(tài)與患者預(yù)后之間的關(guān)系提供了新的見(jiàn)解。此外，一些研究表明AI對(duì)腫瘤微環(huán)境相關(guān)特征進(jìn)行學(xué)習(xí)并以此開(kāi)發(fā)的模型也能達(dá)到預(yù)測(cè)患者生存的 目的[31-32]。

雖然可以基于組織病理學(xué)以完全自動(dòng)化的方式對(duì)腫瘤預(yù)后進(jìn)行預(yù)測(cè)，但仍無(wú)法與完整的分子和臨床檢查相比。因此組織病理學(xué)改變是潛在分子改變的反映，而不是獨(dú)立特征[23]。隨著技術(shù)和分析方法的進(jìn)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(jié)果相結(jié)合，全面描繪疾病機(jī)制、腫瘤分級(jí)和患者預(yù)后，并最終指導(dǎo)精準(zhǔn)化治療方案的制定。

4 醫(yī)院可實(shí)現(xiàn)的應(yīng)用場(chǎng)景

隨著醫(yī)院病理數(shù)字化項(xiàng)目的推進(jìn)和患者及家屬對(duì)數(shù)字化切片的廣泛認(rèn)可，人工智能病理在醫(yī)院會(huì)得到廣泛應(yīng)用，特別是在發(fā)病率和死亡率居高不下的肺癌領(lǐng)域。在大醫(yī)院，協(xié)助培養(yǎng)年輕醫(yī)生的亞?？婆嘤?xùn)和研究生的科研研究，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(zhǔn)確性，賦能分子生物方面的靶向及免疫治療預(yù)測(cè)，減少不必要的檢測(cè)，并提高陽(yáng)性檢出率，節(jié)約社會(huì)醫(yī)療資源。在量化方面，不論是免疫組化還是分子檢測(cè)，都能大大提高準(zhǔn)確性和一致性，在整合診斷和治療策略方面，人工智能都會(huì)發(fā)揮重要作用。

5 總結(jié)與展望

AI非常善于發(fā)現(xiàn)高維數(shù)據(jù)中的復(fù)雜結(jié)構(gòu)，非常適合病理數(shù)字圖像分析，近年來(lái)用于肺癌病理圖像分析的AI研究正迅速增加。對(duì)于相對(duì)簡(jiǎn)單的任務(wù)，一些AI模型已能接近病理專家水平，而涉及多醫(yī)學(xué)中心、大樣本量及多模態(tài)的AI模型還需進(jìn)一步研究。目前在某些任務(wù)中AI的表現(xiàn)可以與病理專家相媲美，但其想要在臨床實(shí)踐中廣泛開(kāi)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(wú)法真正評(píng)估模型的普遍性，因此未來(lái)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(guó)家的患者群體，或是聯(lián)合模型應(yīng)用[33]。此外，AI應(yīng)用于臨床實(shí)踐之前還需要考慮道德、隱私和網(wǎng)絡(luò)安全等方面的問(wèn)題。

隨著精準(zhǔn)醫(yī)療及個(gè)體化治療需求提出，病理學(xué)家的任務(wù)不僅限于在顯微鏡下分析組織，還需要整合不同來(lái)源的臨床數(shù)據(jù)、影像學(xué)結(jié)果以及患者的具體情況，為臨床提供更多相關(guān)信息以利于患者后續(xù)治療方案選擇及預(yù)后評(píng)估。然而目前大多數(shù)病理領(lǐng)域AI研究較單一，臨床價(jià)值有限。2017年Yu等[34]提出了一種整合組織病理學(xué)及轉(zhuǎn)錄組學(xué)的模型，在對(duì)肺腺癌I期患者預(yù)后預(yù)測(cè)中的表現(xiàn)（AUC＞0.81）優(yōu)于單一的基因表達(dá)或組織病理學(xué)模型。2022年Qin等[35]開(kāi)發(fā)的基于多種臨床特征的肺癌EGFR突變預(yù)測(cè)的ANN模型（包括年齡、性別、吸煙史、血清腫瘤標(biāo)志物水平、18F-FDG PET/CT顯像最大標(biāo)準(zhǔn)化攝取值、病理結(jié)果、CT圖像和EGFR突變狀態(tài)），其結(jié)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(yáng)性預(yù)測(cè)因子；構(gòu)建的3種模型預(yù)測(cè)EGFR突變狀態(tài)AUC分別為0.91、0.86和0.71。在未來(lái)，用于肺癌診斷和預(yù)后預(yù)測(cè)的多模態(tài)AI模型或可為該領(lǐng)域提供一個(gè)頗具前景的研究方向，并將有助于推進(jìn)精準(zhǔn)腫瘤醫(yī)學(xué) 發(fā)展。

AI有潛力革新病理學(xué)領(lǐng)域，其將改變病理服務(wù)的管理方式并滿足精準(zhǔn)醫(yī)療時(shí)代的需求。隨著AI技術(shù)的改進(jìn)和發(fā)展，在未來(lái)數(shù)字病理將發(fā)揮主導(dǎo)作用，使診斷更加高效和準(zhǔn)確，幫助病理學(xué)家滿足越來(lái)越多患者的需求并幫助臨床增加疾病的治療選擇范圍。