人工智能驱动的图像分析标准化非小细胞肺癌程序性死亡配体1表达评估

　　本研究针对非小细胞肺癌（NSCLC）中PD-L1免疫组化（IHC）评估存在主观性强、耗时且观察者间差异大的问题，开发了一种基于人工智能（AI）的多粒度深度学习模型（MG-MIL），能够自动、快速且准确地从IHC全幻灯片图像（WSI）中推断PD-L1表达状态。该模型在三个独立队列（包括手术标本、活检和转移灶）中均表现出优异的性能（AUC最高达0.958），显著提升了PD-L1评估的客观性和一致性，为免疫治疗决策提供了可靠工具，推动了计算病理学（CPATH）在精准肿瘤学中的应用。

　　

肺癌是全球最常见和致命的恶性肿瘤之一，其中非小细胞肺癌（NSCLC）占所有病例的80%至85%。随着免疫治疗的兴起，免疫检查点抑制剂（ICIs）靶向程序性死亡蛋白1（PD-1）和程序性死亡配体1（PD-L1）通路，已彻底改变了NSCLC的治疗格局。PD-L1是一种跨膜蛋白，通过结合PD-1抑制T细胞活化，从而发挥免疫抑制作用。PD-L1的表达水平已成为指导ICI治疗选择的关键生物标志物，例如PD-L1免疫组化检测（22C3）已被美国食品药品监督管理局批准作为pembrolizumab治疗的伴随诊断。

然而，当前的PD-L1评估系统存在显著局限性。其评估高度依赖病理学家的专业知识和主观判断，导致观察者间差异，尤其在病理学家经验有限的情况下更为明显。此外，PD-L1表达具有瘤内异质性，且受治疗方式和肿瘤微环境等因素影响呈动态变化，进一步增加了评估的复杂性。组织活检的代表性不足可能导致假阳性或假阴性结果，从而影响治疗决策的准确性。这些挑战凸显了对更客观、标准化和全面评估PD-L1表达方法的迫切需求。

随着人工智能（AI）和计算病理学（CPATH）的快速发展，为应对这些挑战提供了 promising 的解决方案。CPATH利用全幻灯片成像（WSI）和AI算法模拟病理学家的诊断推理，实现PD-L1表达的智能自动化分析。尽管已有进展，但缺乏标准化、经临床验证的评估模型，能够无缝集成到治疗决策中，仍是一个关键挑战。

为此，Ge等人发表在《Diagnostic Pathology》上的研究，旨在开发一种AI驱动的平台，用于解读NSCLC标本数字化IHC切片中的PD-L1表达。研究人员开发并验证了一种计算方法，能够快速、准确、客观地评估不同标本类型（包括根治性手术标本、穿刺或活检标本以及转移灶）中的PD-L1表达，从而提升免疫治疗决策的精确性。

主要技术方法

研究纳入了706名NSCLC患者，收集了1212张WSI，来自三个独立队列（USTC队列、AMU队列和MSK-MIND数据集）。所有PD-L1染色均使用22C3抗体（DAKO）进行。WSI在40倍放大下数字化。研究采用多粒度多实例学习（MIL）方法，利用病理语言-图像预训练（PLIP）模型生成粗粒度和细粒度实例嵌入，通过Transformer架构提取 patch 级形态特征，并设计粗引导细粒度实例特征提取器聚焦关键区域，最后通过多粒度表达解释器整合特征，分层PD-L1表达状态（阴性：TPS<1%；低表达：1%≤TPS<50%；高表达：TPS≥50%）。

研究结果

Clinicopathological and PD-L1 expression features of the study cohorts

USTC队列294例患者中，PD-L1阴性占35.4%，低表达占43.9%，高表达占20.7%；AMU队列212例患者中，阴性占23.1%，低表达占60.9%，高表达占16.0%；MSK-MIND数据集200例样本中，阴性占34.5%，低表达占18.0%，高表达占47.5%。队列涵盖了不同标本类型（手术、活检、转移）和组织学类型（腺癌、鳞癌等），确保了数据的多样性。

Expression interpretation of validation experiments

模型在内部验证集（USTC队列70例未见WSI）中表现优异：手术标本AUC为0.940，活检标本AUC为0.955，转移灶AUC为0.901。在外部验证集（AMU队列212例）中，手术标本AUC为0.958，活检标本AUC为0.844，转移灶AUC为0.894。在MSK-MIND数据集进一步验证中，手术标本AUC为0.944，活检标本AUC为0.865，转移灶AUC为0.883。模型在不同标本类型中均表现出高敏感性和特异性，证明了其强泛化能力。

Model interpretability

通过精细的H&E和IHC WSI配准，生成注意力热图，可视化模型输出注意力分数。热图显示，高注意力区域对应PD-L1阳性表达的肿瘤细胞（表现为比背景强的膜线性染色），低注意力区域对应阴性表达。这表明模型能准确识别肿瘤区域并区分PD-L1膜阳性肿瘤细胞，与实际表达水平高度一致，增强了模型的可解释性和临床适用性。

研究结论与意义

本研究成功开发了一种名为MG-MIL的AI多实例学习模型，用于定性分层NSCLC数字PD-L1 IHC切片中的表达。模型性能与病理学家诊断相当，但更经济、便捷和高效。它在不同标本类型（手术、活检、转移）中均表现出强解释能力，适应临床标本的多样性，显著提升了PD-L1评估的客观性、重现性和准确性。

该研究强调了深度学习在从复杂IHC图像中自动、快速、准确推断PD-L1表达方面的潜在益处，展示了AI框架如何改进当前PD-L1检测方法中的常规数字病理工作流程。尽管存在一些局限性（如样本量相对较小、缺乏细胞级语义信息分辨能力、仅测试22C3抗体），但本研究为优化免疫治疗策略、减少观察者变异、实现更个性化有效的NSCLC治疗提供了重要工具。未来扩展至其他IHC检测可能 enable 更广泛的精准病理应用，从而增强传统病理学以指导癌症患者的个性化治疗。