AI在乳腺癌HER2检测与病理诊断中的应用、挑战与展望

AI能够辅助病理医生对乳腺癌组织样本进行HER2表达的精确量化，减少常规依靠视觉进行主观判断的局限，提高判读准确性、一致性和工作效率。

■ 一）准确性提升：

通过深度学习和模式识别算法，图像转换为海量可挖掘的数据特征，客观量化地表现肿瘤内的异质性和微环境，AI能够捕捉到病理图像中肉眼很难读取的微弱的HER2信号，从而准确而客观地判断HER2表达状态。

■ 二）一致性提高：

人工智能（AI）可以提高HER2 IHC 0和1+的准确性及一致性。复旦大学附属肿瘤医院在第46届圣安东尼奥乳腺癌研讨会（SABCS）上发布了一项，历史评分结果与重新评分结果的总体一致率为73%，其中IHC 0和IHC 1+的一致率分别为39%和92%。这些结果反映出真实世界中大量IHC 0和IHC 1+病例可能存在判读差异性。0和1+存在重新判读后的划分，那么看看ultra-low呢：Mayo Clinic的研究，300例临床证实为HER2 IHC 0状态的晚期乳腺癌，两名病理学家重新判读，其中，60%(n=171) 由至少一名病理学家确定为“HER2-ultralow”。这意味着相当数量的IHC 0患者可能从HER2靶向治疗中获益。总体病理学家间的判读一致性为57%，病理医师在识别较低水平HER2表达时的一致性相对较低。这两项研究应用AI后，都揭示AI在乳腺癌HER2表达中判读优势的研究。

15名病理学家参与了这项多机构2轮环研究，经过2周的洗脱期后，通过调整人工智能算法得出明确的结果。人工智能辅助下的诊断准确率明显提高(0.93 vs 0.80)。AI算法提高了总一致性，特别是在HER2 1+病例中。在具有异质性的情况下，准确性显著提高，与没有异质性的情况下的水平相似(准确性，0.97)。初级病理学家的准确性和一致性比中级和高级病理学家提高得更多。

刚才举例是AI算法的判读，同样，AI显微镜辅助判读，不仅HER2-IHC与人工的一致性可高达90%以上，而且还可提高具有异质性HER2低表达肿瘤判读的准确率；有助于医师更精确判断微弱染色以及强染色的病例。

■ 三）效率提升：

AI技术可以自动化处理大量病理图像，快速给出HER2表达结果，缩短诊断时间。

AI在病理诊断中的应用正逐渐普及，尤其在图像分析、量化评分等方面展现出巨大潜力。图像分析任务包括组织图像中肿瘤组织的检测、分级和分型;它们旨在使病理工作流程自动化，因此不能立即转化为临床决策，但可以显著减轻医生的日常工作负荷。AI还可以辅助医生进行远程医疗和在线咨询，扩大医疗服务范围。量化评分主要可用于IHC定量，有丝分裂检测、细胞定量（TILs）、PD-L1定量检测等。

除了这些基本方法之外，深度学习还被用于高级图像分析任务，这些任务有可能直接影响临床决策过程。这些先进的方法包括分子特征推断，生存预测和治疗反应的端到端预测。这种深度学习系统的预测可以简化和丰富临床决策，改变临床治疗方式，具有重大意义。图像分析工作在数年前就已经达到较高的水准，近些年则是精益求精，逐步可进入临床应用。而AI在高级图像任务中的应用在这些年则不断扩大，广泛，从最初的预测预后、预测新辅疗效、预测免疫治疗效果到如今可预测分子改变、转移癌的原发部位等等。

以HER2为例，从早期的AI辅助HER2判读，到如今可直接基于HE图像预测HER2的状态，甚至预测该病例对HER2靶向治疗的敏感性。

主要挑战:包括数据标准化、模型泛化能力、伦理和法规等问题。需要建立统一的数据标准和评估体系，确保AI模型的准确性和可靠性。

克服策略:加强跨学科合作，共同推动AI在病理诊断领域的发展;同时加强伦理和法规建设，确保AI技术的合规应用。如：通过机器学习算法对HER2表达进行重新评估，并详细描述得出了HER2原发及转移灶相关评分，联合其他预后指标组成预测模型。该评分与HER2低表达乳腺癌患者的生存显著相关。

■ 一）优势：

1.提高诊断准确性

2.减少主观性和提高一致性

3.快速诊断

4.提高对异质性肿瘤的诊断效能

■二）不足：

1.数据依赖性强

2.伦理和法规问题

3.技术成本高

一次性扫描几百张切片，用时3-5分钟，40倍，一张内存2.3G到2.7G；80倍扫描大概是5分钟，一张内存大概在6G的内存

■ 三）如何平衡：

1.结合使用

2.持续培训

3.提升数据质量管理