《Journal of Pathology Informatics》:Demonstrating the accuracy and efficiency of artificial intelligence integrated workflows for primary breast cancer diagnosis: A comparative paired reader analysis
编辑推荐:
人工智能整合工作流在原发性乳腺癌诊断中的准确性与效率:一项配对阅片者比较分析。人工智能辅助数字病理学将平均阅片时间缩短了43.5%。人工智能辅助工作流表现出良好的可用性,且未观察到免疫组织化学(immunohistochemistry, IHC)使用增加。人工
人工智能整合工作流在原发性乳腺癌诊断中的准确性与效率:一项配对阅片者比较分析。人工智能辅助数字病理学将平均阅片时间缩短了43.5%。人工智能辅助工作流表现出良好的可用性,且未观察到免疫组织化学(immunohistochemistry, IHC)使用增加。人工智能驱动的IHC预开单可能使周转时间(turnaround time, TAT)缩短约2.5天。在人工智能辅助下,诊断准确性得以维持,灵敏度达到100%。独立人工智能显示出较高的诊断准确性,受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)≥0.99。
**论文解读**
乳腺癌是全球最常见的恶性肿瘤,也是女性癌症相关死亡的主要原因,2024年预计新发病例243万,死亡69.4万例。乳腺病变的诊断依赖“三重评估”,包括临床检查、影像学和组织病理学评估,其中组织病理学是诊断基石,初诊通常基于苏木精-伊红(hematoxylin and eosin, H&E)切片。然而,病理服务正面临病理医师短缺、病例量上升、交界性病变诊断复杂、观察者间变异以及职业倦怠等挑战。对免疫组织化学(immunohistochemistry, IHC)和分子检测等辅助技术的依赖进一步延长了周转时间(turnaround time, TAT),可能延误治疗决策。数字病理(digital pathology, DP)和人工智能(artificial intelligence, AI)的发展为应对这些挑战提供了机遇,但AI整合到常规临床工作流后能否在不降低诊断准确性的前提下缩短报告时间,此前缺乏稳健评估。
为此,研究人员开展了CASCADE研究,这是一项回顾性、双臂配对设计研究,于2024年11月至2025年1月在澳大利亚单一病理实验室进行。研究纳入194例连续乳腺活检病例(2024年1月至7月收集),由两位具有10年以上经验、经过平台培训的病理医师作为阅片者。每例病例由同一阅片者在两种工作流下分别评估:标准数字病理(DP)和AI辅助数字病理(DP+AI,使用Ibex Breast算法)。AI输出包括全切片分类和热图叠加。阅片时间通过平台内嵌时间戳自动记录。原始临床病理报告作为参考标准,有差异的病例由外部专家独立盲法裁决。另取3298例历史病例用于评估基线TAT。
研究主要结论:与标准DP相比,DP+AI工作流的平均阅片时间从71.12秒降至40.18秒,减少43.5%(p<0.0001)。诊断准确性得以维持,DP+AI工作流对癌症检测的敏感性为100%,总体一致性为99.48%。独立AI算法在癌症、浸润癌和导管原位癌(ductal carcinoma in situ, DCIS)中的AUC分别为0.9980、0.9992和0.9962。基于模型的分析显示,AI引导的IHC预开单可使TAT缩短约2.5天。阅片者对AI辅助工作流的可用性评价良好。这些结果支持将AI作为辅助工具整合到常规乳腺病理工作流中,有望提高效率、缩短TAT并保持诊断性能。
**关键技术方法**:研究采用配对阅片者设计,每例病例由同一阅片者分别在仅DP和DP+AI条件下阅片,以减少偏倚。AI算法为Ibex Breast,可检测超过50种形态特征。阅片时间由平台自动记录。参考标准为原始临床病理报告,差异病例经外部专家裁决。统计分析使用SAS
? 9.4,采用配对t检验比较阅片时间,并计算敏感性、特异性、阳性预测值(positive-predictive value, PPV)、阴性预测值(negative-predictive value, NPV)及AUC。样本队列来源于澳大利亚单中心连续乳腺活检病例;基线TAT来自独立的3298例历史队列。
**研究结果**
*队列特征*:研究共纳入194例连续乳腺活检病例,排除6例(4例图像失焦、1例非乳腺组织、1例切片质量差无法诊断)。诊断类别覆盖良性病变、非典型导管增生(atypical ductal hyperplasia, ADH)、DCIS和浸润癌等。
*病理医师阅片时间*:通过配对比较,DP+AI工作流显著缩短阅片时间。总体平均阅片时间从DP的71.12秒(标准差47.85)降至DP+AI的40.18秒(标准差28.41),相对减少43.5%。按诊断类别分析,DCIS降幅最大(48.4%),其次为浸润癌(46.7%)。两位阅片者均显示显著减少,分别减少35.8%和51.6%。
*按IHC预开单模式分析的TAT*:基于3298例历史病例,需要IHC的病例平均TAT为3.73天(±2.49),不需要IHC的为1.17天(±1.35),差约2.5天。实验队列中,两种工作流的IHC预开单比例相近(DP:39.18%,DP+AI:40.72%)。独立AI对癌症检测的PPV为95.65%。模型分析表明,若AI预开IHC,真阳性病例的TAT可能缩短约2.5天。
*可用性*:结构化阅后调查显示,两位病理医师均认为AI辅助应用易于使用、增强了诊断信心、支持决策,并对工具表示满意。
*诊断性能指标*:对于癌症检测,DP+AI工作流与金标准的一致性为99.48%(193/194),高于DP的97.42%(189/194);敏感性从98.48%提升至100%,特异性从95.16%提升至98.39%。对于浸润癌,两种工作流的敏感性均为100%,特异性略有提高;PPV和NPV也相似。对于DCIS(非浸润性病例n=83,其中DCIS阳性21例),一致性从DP的92.77%提高到DP+AI的98.80%,敏感性从85.71%提高到100%,PPV从85.71%提高到95.45%,NPV从95.16%提高到100%。独立AI算法对癌症、浸润癌和DCIS的AUC分别为0.9980、0.9992和0.9962,敏感性分别为100%、100%和95.24%,特异性分别为90.32%、91.57%和98.39%。
**讨论与结论**:讨论指出,AI辅助阅片时间减少可能与AI工具突出感兴趣区域、标记可疑区域并按癌可能性优先排序有关,从而减少人工扫描时间。效率提升有助于应对工作量增加和病理医师短缺。AI引导的IHC预开单有潜力缩短TAT,但本研究仅为回顾性模型分析,需前瞻性验证。诊断准确性在AI辅助下保持甚至有所提高,尤其在DCIS亚组,但该亚组样本量较小,需更大规模研究。独立AI的高性能支持其作为分诊和决策支持工具的可靠性。研究还强调用户接受度对AI成功实施的重要性。局限性包括单中心、两位阅片者、仅评估单张H&E切片、未评估阅片者-AI不一致模式、诊断性能分析功效不足等。结论:AI辅助决策支持工具与乳腺活检评估的平均阅片时间显著减少43.5%相关,同时维持诊断性能;独立AI算法在检测癌症、浸润癌和DCIS方面表现优异;使用者的积极反馈支持其可用性和临床价值。这些发现突显了将AI整合到常规乳腺病理工作流中的潜力,但需在更大规模的多中心研究中进一步确认。