如何应用AI解决乳腺组织病理学诊断中的难题—2024 USCAP 乳腺癌专场最新报道系列

乳腺癌患者淋巴结状态的评估对于预测其预后至关重要，特别是在新辅助治疗后。新辅助治疗可引起淋巴结的各种反应，如癌组织消退、纤维化或胶原化以及组织细胞增生等，这些变化给病理学家带来了挑战，降低了视觉评估的准确性和效率。河北医科大学第四医院刘月平教授团队的研究旨在验证通过检测新辅助治疗后淋巴结转移的AI算法来提高诊断精度。

研究纳入2023年河北医科大学第四医院196例浸润性乳腺癌切除术的淋巴结切片。所有H&E染色切片均扫描成完整的切片图像(WSIs)，并由病理学家注释。将标注后的图像作为CLAM算法的内部验证集。然后将该算法应用于500张幻灯片的外部验证集。使用受试者操作特征曲线下面积(AUC)和混淆矩阵来评估CLAM的性能，并与病理学家的结果进行比较。

CLAM算法在识别新辅助治疗后乳腺癌患者淋巴结中的无癌状态及显著转移状态方面显示出良好的性能。这项技术的应用有望增强传统的显微镜评估方法，提高乳腺癌诊断的准确性和效率。不过对于更微小的转移病灶，如ITC和微转移，CLAM算法还需要进一步改进以提高其准确性。

图2. CLAM模型预测淋巴结状态的混淆矩阵，内部验证集（A）和外部验证集（B）

由于病理学家的工作量持续增加，合理优化工作流程在不牺牲诊断准确性的前提下变得尤为重要。最近，人工智能（AI）在病理学领域的应用展现了辅助病理学家的潜力。本研究旨在通过比较病理学家单独对切片的评估和在AI辅助下的数字病理图像分析，来评估AI软件对诊断的影响。此外，也对AI在一系列乳腺标本中的独立性能及其与传统病理报告的对比进行了分析。

收集190个良、恶性乳房切除标本，由6名病理学家使用常规显微镜评估后使用人工智能进行第二次评估，记录并比较两种评估结果。

本摘要来自于中山大学肿瘤防治中心的孙鹏教授团队，其探讨了冰冻切片组织相较于福尔马林固定和石蜡包埋（FFPE）组织在组织学上的伪影问题，这些伪影可能会影响病理医生在术中对乳腺病变进行诊断的信心和准确性。

研究者们利用深度学习技术开发了一种AI-FFPE模型，目的是转换冰冻切片图像至FFPE图像。其采用了TCGA-BRCA数据集开发了非配对的图像到图像转换模型，将132张来自三个队列的乳腺病变冰冻切片（FS）转换为AI-FFPE图像。这些图像由6位病理学家独立评估，以考察图像质量、诊断一致性及对病变特性和最终诊断的可靠性。研究者们提出了诊断分数（DS）这一概念，即一致性指数和可靠性水平的乘积，用以评估诊断性能。

相比FS组，AI-FFPE组的图像质量显著提高，诊断分数显著提升，显示出AI-FFPE模型能够有效转换图像且提高病理学家的诊断信心。

乳腺微浸润癌（MI）主要出现在导管原位癌（DCIS）中，其诊断过程复杂且耗时。由于乳腺结构的复杂性，如小叶硬化、导管分支受损和纤维化，常导致诊断误差。同时，由于致密基质和慢性炎症，小的侵袭性病灶可能被忽视。显微镜下的视觉评估往往存在病理学家间的显著差异。

在这项针对乳腺MI的摘要中，研究团队采用AI解决方案来提高诊断的准确性和一致性。研究对象为2016年至2023年间，两个不同地理区域机构诊断的95例导管原位癌（DCIS）及其相关病变。每个病例中选取的代表性含有MI的H&E染色切片都经过了40倍放大的数字化扫描，并通过旨在分析乳腺WSI的临床AI方案进行评估，该方案能够对50多个病理特征进行分类，以辅助主要诊断，包括DCIS和浸润性癌的识别。

该结果显示AI方案在95例病例中均提示检测到恶性病变，其中82.2%的病例提示具有高可能性，15.8%的病例具有中等可能性。AI算法在82.1%的病例中检测到了被认为是“侵袭性”的MI病灶，并且具有中到高的可能性。在被AI认为侵袭可能性较低的17例MI病例中，两名乳腺病理学家复核发现，除3例病例未显示外，其他病例实际上都突出了所有MI病灶，从而证明AI算法在识别侵袭性病灶方面的高效能。

该种技术不仅提高了MI诊断的准确性和一致性，还减少了病理学家在识别MI病灶中所需的时间，为乳腺癌的早期诊断和治疗提供了有力的技术支持。

图1：通过Al算法检测到的微侵袭性癌示例。A.显示微浸润肿瘤细胞与淋巴细胞混合的HE切片；B.热图显示红色为微微浸润病灶；C.纤维间质和脂肪组织中另一例微浸润性癌的HE切片；D.热图显示红色为微浸润病灶。

乳腺微钙化（MC）与广泛的良性、癌前和恶性乳腺病变有关。MC是筛查乳腺摄影中最常见的异常之一，通常需要立体定向核心针活检。在病理切片上识别MC对于这些活组织检查是必要的，但有时可能会很枯燥和耗时。该摘要旨在研究AI解决方案在乳腺活检中识别MC的准确性及其临床实用性。

研究包括54例非癌性乳腺活检病例，其中21例带有MC，33例不含MC。所有病例的H&E染色切片全切图像（WSI）通过一个分析和分类50多种临床病变特征的AI解决方案进行了盲法分析，并与乳腺病理学家的诊断结果进行比较。

乳腺小叶瘤变（LN）包括不典型小叶增生（ALH）和小叶原位癌（LCIS），是进展为浸润性癌的乳腺前驱病变，在日常病理诊断中很容易被遗漏。本研究对AI在乳腺活检标本中检测LN的临床实用性进行了验证和评估。

该研究表明，AI算法在识别LN方面具有较高的敏感性和特异性，有作为常规病理实践中的有效计算机辅助诊断工具的潜力，不仅能提高病理医生的诊断效率和准确性，减轻其工作负担，还可能降低免疫组织化学染色的成本，最终有助于改善患者的管理和治疗效果。

表1 在乳腺核心针活检标本中识别小叶肿瘤的AI结果和事实病变之间的比较

淋巴结中微转移的检测对于乳腺癌患者的治疗和预后具有重要意义。该项研究开发的AI（AI）模块采用先进的卷积神经网络（CNN）技术，对腋窝淋巴结进行精确分析，旨在提高检测转移性疾病的速度和准确性。

结果显示，在使用AI的情况下，病理学家完成诊断的时间从39分钟减少到3.9分钟，并且微转移的检测敏感性从92.6%提升到了100%。此外，识别仅含微转移的病理切片片所需时间从64秒减少到5秒，宏转移检测时间也从29秒减少到4.8秒。AI辅助下，病理学家平均仅需2.4次鼠标点击即可识别出第一个转移性沉积。

图：转移癌检测。红色：真实病灶；绿色：AI检测到的病灶

准确的乳腺病变分类对于有效的临床决策和患者管理至关重要。本研究开发了一种针对乳腺病变的WSIs进行分析的AI技术，旨在将其准确分类为浸润性癌、微浸润性癌、导管原位癌（DCIS）及良性乳腺病变等不同类别。

AI模型在区分恶性病变方面表现出高性能，浸润性癌的曲线下面积（AUC）为0.976，灵敏度和特异性分别为91.7%和95%，DCIS的AUC为0.976，灵敏度和特异性分别为93.3%和96.6%。值得注意的是，AI平台准确地识别了几乎所有浸润性癌和微浸润性癌（图1A，B），除了1例微浸润性癌外（图1C，D）。AI算法还正确分类了所有良性病例，除了一例放射状瘢痕被分类为具有中等概率的浸润性癌（图1E，F）。

乳腺叶状肿瘤（PT）是一种双向性肿瘤，依据复杂的组织学标准被分类为良性、边界性以及恶性三个等级。由于涉及多个组织学参数和分级标准，病理学家在诊断和分级PT时面临挑战。该摘要致力于评估AI技术在辅助判定PT等级中的应用，以期为病理学家提供有效的诊断支持。

本研究使用3000x3000大小的图像块，通过对图像块特征向量的条码表示比较，实现了高达67%的最高准确率，表明在更大的视野中能够捕获更多细节和模式，从而提高分类的准确性。

尽管存在样本量限制和缺乏细致调整，该项研究结果仍然证实了AI在乳腺叶状瘤分级中的潜力，为这一技术将来应用于临床实践提供了初步证据。这项工作不仅展示了AI在精确匹配组织学特征以及提高病理诊断效率和准确性方面的能力，也为未来的临床应用奠定了基础，预示着AI技术在病理学领域的进一步应用和发展。

表1：不同大小图块的准确性、宏平均值和加权平均性能指标

AI算法在检测浸润性乳腺癌（IBC）诊断方面的研究层出不穷，并显示出较高的准确性。然而IBC是一种具有超过17种组织学亚型的异质性疾病，因此AI算法的临床应用开展仍具有挑战。该研究旨在验证AI算法在乳腺粗针穿刺活检（CBXs）中特殊组织学亚型的检测，以及开发一个辅助分级的有丝分裂计数工具。

研究涵盖了107个IBC CBXs，其中包括83个特殊亚型和24个对照组样本。

AI算法对IBC病例的诊断灵敏度为0.96。对于特殊亚型总体灵敏度达到0.86，其中筛状癌、微乳头状癌、化生性癌（基质产生型和鳞状细胞型）、粘液癌和小管癌的灵敏度均为100%。分泌性癌的灵敏度最低，为0.43。如果WSI被AI判断为恶性，则有丝分裂计数工具将激活自动热点检测，并提供每2mm²的有丝分裂数。97%的病例（32/33）中，有丝分裂计数工具输出与GT的有丝分裂分级一致。在有丝分裂等级I-II的病例中，一致性达到100%。

表1：Paige AI乳腺癌特殊组织亚型算法和有丝分裂计数工具的敏感性