在2024年3月举行的美国病理学会年会（USCAP）上，人工智能（AI）的相关话题炙手可热。之前的几期公众号中已经介绍了关于HER2相关AI研究进展以及AI在乳腺癌组织学图像分析中的应用。此外，有6篇研究摘要（编号：105、116、142、162、194、221）聚焦于AI在分子标记物的识别和预测研究，包括ER、PR、HER2、Ki-67，PD-L1的评估，耗时耗力，且具有主观性，通过AI辅助判读，可显著提高结果的准确性，为患者提供更好的风险分层和个性化治疗方案。其中编号105的研究由河北医科大学第四医院的刘月平教授领衔。同时，还有1篇摘要（编号：208）探讨了AI在患者预后预测中的应用。本文将对以上摘要逐一介绍。
【105】基于IKWG全球评分的Ki67自动评估在乳腺癌中的准确性和预后验证
背景
由于Ki67免疫组织化学（IHC）分析的有效性仍有存疑，其在治疗决策中的价值有限，一致性和可重复性也尚未得到充分体现。鉴于此，国际乳腺癌Ki67工作组（IKWG）共识会议对Ki67免疫组化的有效性和在乳腺癌治疗中的实用性进行了评估，并提出了标准化的考核方法。
设计
本研究采用基于深度学习的场分析技术作为通用方法，应用场选择策略和不同的核计数规则获得Ki67表达，同时满足场解释和全局评估的要求，然后从批发中获得人工智能自动评估的结果。图1显示了算法架构。然后，来自3个实验室的15名病理学家对筛选的100例病例进行Ki67评分，基于视觉评估(VA)的加权和非加权评分，评估了3种Ki67表达的预后意义
结果
结论
该研究表明AI在提高Ki67免疫组织化学分析的一致性和准确性方面具有显著潜力。使用AI-W方法(加权和未加权)的全局评分展现出充分的准确性。
图2. 不同级别的病理学家加权和未加权评分的一致性
背景
数字病理学通过推动算法的应用，提升了生物标志物量化的精确性，有效降低了传统手动评估过程中的困难并提高了评分的准确度。该摘要展示了AI开发的算法来精确量化乳腺癌患者IHC染色全切片图像上的肿瘤生物标志物中的优势。
设计
对Sankt Görans医院2022年4月至2022年12月的423例乳腺活检病例进行了ER、PR和HER2的组织学和免疫组织化学分析。每个乳腺常规标本均采用数字病理(DP)检查。对HE切片进行诊断，并在病理学家的监督下使用Mindpeak算法对生物标志物进行量化。另一名病理学家审查所有结果，并对结果不一致的诊断达成共识。对于实时质量控制系统，由第二位乳腺病理学家对94例病例在没有人工智能支持的情况下手动计数并审查。之后，将其与人工智能辅助下的测量结果进行比较，列出不一致的诊断。
结果
结论
与传统手动计数相比，人工智能降低了观察者间的可变性，能够更好的定量HER2和Ki67的表达水平。
【142】使用图像分析软件对乳腺癌中的ER、PR和Ki67进行定量：一项验证研究
背景
目前病理学家对于乳腺癌（BC）中的雌激素受体（ER）、孕酮受体（PR）和Ki67的表达都是通过免疫组化（IHC）进行人工定量评估，耗时耗力且具有主观性。图像分析(image analysis，IA)的进步为IHC标记物的自动定量替代人工定量提供了可能。
设计
回顾性观察ER（克隆号6F11）、PR（克隆号16）和Ki67（克隆号MIB1）的BC样本，包括30张完整的幻灯片图像（WSI），每种包括ER+（伴随PR）、ER-（伴随PR）、Ki67 <20%和Ki67 ≥20%的BC。每个样本中ER、PR和Ki67的400倍放大视场（FOV）被捕捉并通过IA工具进行定量分析，同时三位病理学家在原始400x视场中评估ER、PR和Ki67染色。计算每个病例组的评分(GS)。
结果
结论
图1. 样本Ki-67的原始图片和IA输出图片
【162】p27缺失增强管腔A型乳腺癌患者癌细胞存活：一项基于机器学习的综合临床病理参数、基因富集和免疫反应的分析
背景
p27是激酶抑制剂蛋白家族的成员，是一种分布广泛的细胞周期抑制剂，对细胞周期蛋白依赖性激酶（CDK）-细胞周期蛋白复合物具有负调控作用。尽管它对乳腺癌的预后影响已经得到证实，但其具体功能仍然不详。本研究的主要目的是通过多种方法探讨p27阴性对浸润性导管癌（IDC）患者的意义。
设计
纳入1203例浸润性导管癌患者，收集临床病理资料，进行p27免疫组织化学(IHC)、基因集富集分析(GSEA)和梯度增强机器(GBM)学习。使用GEO数据库的基因表达谱数据集，在独立队列中进一步验证基于p27表达的生存分析。
结果
研究发现，p27阴性与肿瘤晚期、高组织学分级、雌激素受体（ER）/孕激素受体（PR）阴性和HER2阳性以及较差的生存率显著相关。GSEA分析显示，低p27表达与雌激素反应下降和免疫相关基因活动降低有关。此外，p27阴性患者通常表现出CD8+T细胞减少、PD-L1高表达和Ki-67标记指数升高。通过机器学习模型分析，发现生存率的关键预测因素依次为N分期、淋巴细胞浸润、T分期、组织学分级以及ER、p27和HER2表达。
结论
研究结果表明，将p27表达与其他临床病理因素相结合，可提高乳腺癌患者生存预测模型的准确性，为患者提供更好的风险分层和个性化治疗方案。
背景
染色体不稳定性（Chromosomal Instability，CIN）即大部分或全部染色体的获得或丢失，对乳腺癌具有预后和治疗价值，目前阶段CIN需要通过分子检测确定。该研究开发了一种基于AI算法应用于H&E染色的乳腺癌WSI，以识别可能携带CIN的乳腺癌。
设计
该研究纳入1815个原发性乳腺癌和1731个转移性乳腺癌患者，所有样本均经过MSK-IMPACT测序并采用CIN的分子检测结果作为“标准对照”。依据四倍体、全基因组加倍（WGD）、杂合性缺失（LOH）和基因组改变部分（FGA）来标定CIN，从而推导出基于FGA和LOH的基因组不稳定性指数（GI）。随后通过先进的图像分析技术，包括肿瘤特征提取和图像分割，训练了一个聚集网络来预测CIN的存在。该系统经过8倍交叉验证，确保其准确性和可靠性。
结果
结论
通过AI分析原发性和转移性乳腺癌的HE切片 WSI，可以确定CIN产率表型特征。从AUC值得出，AI分析对乳腺癌的亚型分层结果稳健，并且相较于转移性乳腺癌，在原发性乳腺癌中更容易检测到。该研究为开发基于人工智能的工具提供了基础，不仅能有效识别乳腺癌中的CIN，还可以用于其他癌症的CIN检测，并广泛应用于临床试验。
背景
程序性细胞死亡配体1（PDL-1）是三阴性乳腺癌（TNBC）的预测性生物标志物。然而其应用受到联合阳性评分（CPS）可重复性差这一局限性的影响，尤其是在CPS值为10附近的边界肿瘤中，其间观察者和内观察者一致性率低。并且病理学家通常没有接受解读该结果的常规训练，因此如何对CPS结果做出正确评估具有挑战性。
设计
结果
结论
基于人工智能的PDL-1计算是精确的和可重复的。鉴于人工智能模型的低错误率和成功的训练，本研究建议将该模型推向临床应用，并保留了剩余的15张幻灯片用于进一步完善和验证。同时考虑在临床应用中实时调整分析，提高模型的灵活性和准确性，并将扩展到构建空间矩阵，以提供更细致的生物标志物分析。
【208】利用AI对H&E染色图像上的乳腺癌进行生存结果预测
背景
乳腺癌是女性最常见的癌症，2020年全球有200万新发乳腺癌病例和62.7万死亡病例。早期诊断和有效治疗对改善预后至关重要。预后生物标志物用于风险评估和治疗决策，但目前仍存在局限性。本研究旨在探索人工智能(AI)在数字化组织病理学图像上预测疾病进展的潜力。致力于开发一种用于使用H&E染色全切片图像(WSI)预测乳腺癌患者的5年总生存期的深度学习算法。
设计
结果
该模型展示了优异的性能，其在测试集上的平均一致性指数为0.663，在验证集上为0.675，显示出在生存率预测方面的高度准确性。这些成果不仅证实了模型在区分不同预后群体上的有效性，而且在某些情况下超越了现有的预测模型。此外，该模型能够显著区分在生存结果方面预后良好和预后不良的两组患者，对数秩检验p值为2.8e-8。
结论
翻译作者简介
医学博士，主任医师，硕士生导师
徐嘉雯
医学博士，博士后
山东第一医科大学附属省立医院/山东省立医院病理科
