《Analytical Cellular Pathology》:Deployment of Artificial Intelligence in Clinical Oral Pathology: Evidence Summary and Implementation Gaps
编辑推荐:
背景:全切片成像(Whole-slide imaging, WSI)已推动病理学向数字化工作流转变,为将人工智能(Artificial intelligence, AI)应用于诊断任务奠定了基础。本综述总结了诊断病理学中经过验证的AI应用,重点关注临床性能、监
背景:全切片成像(Whole-slide imaging, WSI)已推动病理学向数字化工作流转变,为将人工智能(Artificial intelligence, AI)应用于诊断任务奠定了基础。本综述总结了诊断病理学中经过验证的AI应用,重点关注临床性能、监管进展以及影响实施的实践障碍。
方法:对PubMed、Scopus和Google Scholar进行结构化检索,纳入2020年1月至2025年5月期间发表的英文同行评审研究。合格的研究需将AI应用于人体组织的诊断、分级或预后任务,使用经病理学家确认的参考标准,并包含外部或多中心验证。
结果:纳入的研究共涉及超过150,000张数字切片。报告的性能指标显示,在多个经过验证的应用中诊断准确性较高。大型荟萃分析和外部验证研究报告,在选定的癌症检测任务中灵敏度超过96%,特异度高于93%,而其他研究则显示Gleason分级(Quadratic weighted kappa, QWK高达0.862)和 biomarkers 量化(Ki-67组内相关系数 Intraclass correlation coefficient, ICC 0.98)具有高度一致性。
结论:AI有能力通过提高一致性、测量效率和报告质量来加强诊断病理学。从实验性使用转向常规报告,将需要跨中心的广泛验证、增强的模型透明度、强有力的质量保证体系以及开发人员与病理学家之间的密切合作。
- 1.
引言
诊断病理学仍是癌症诊断和治疗计划的金标准参考点。该领域传统上依赖于由个人判断和经验形成的组织学解读。在分级、分类和生物标志物评估中的观察者间变异性已在多个病理学亚专科中得到充分记录,尤其是在肿瘤分级和交界性病变中。结合不断增加的诊断工作量和组织成像的复杂性,这些局限性推动了对支持更一致和可测量诊断评估的数字系统的兴趣。全切片成像(WSI)推动了数字病理学的最新变革。将常规玻璃切片转换为高分辨率数字图像,为计算病理学方法的扩展创造了必要基础。一旦这种数字格式变得常规化,研究人员就可以将人工智能(AI)技术,包括深度学习和卷积神经网络(Convolutional neural networks, CNNs),应用于常规组织学材料。CNN不依赖预定义规则;它们从大型图像集中学习视觉线索,这使其能够捕捉到即使是经验丰富的观察者也可能忽略的细微形态学细节。早期报告显示了强劲性能;然而,许多模型在测试来自不同扫描仪、染色方法或机构实践的切片时表现不佳。这种域偏移揭示了受控环境中的高精度并不能自动转化为临床可靠性。对于真实世界使用,系统必须在多样化的外部材料上证明其性能,满足监管期望,并无缝集成到现有实验室流程中而不干扰常规工作。2020–2025年见证了数字病理学的广泛扩展。WSI平台达到了临床级质量,许多中心采用数字档案进行报告、教育和远程会诊。同期,病理学AI研究活动加速,研究聚焦于癌症检测、分级和生物标志物量化。现在,大型数据集和汇总分析表明,AI在多种组织类型中可以达到与专家病理学家相当的诊断性能。尽管取得了这些进展,临床采用仍然不均衡。美国和欧洲的监管机构仅批准了少数辅助系统,包括符合CE-IVDR要求的Paige Prostate和IBEX工具。这些批准仍是例外而非常态。许多模型依赖于有限或同质的数据集,这引发了对模型可解释性的担忧,并且需要并非所有机构都统一可用的基础设施。本综述概述了诊断病理学中AI的当前证据,总结了经过验证的用例、诊断性能和监管进展。
- 2.
检索策略
本综述根据PRISMA-ScR指南进行。在PubMed、Scopus和Google Scholar中进行了结构化检索,检索时间为2020年1月至2025年5月发表的材料。检索组合了与AI相关的术语(“人工智能”、“深度学习”、“机器学习”)以及数字和显微图像分析术语(“数字病理学”、“全切片图像”、“组织病理学”、“细胞病理学”)和诊断应用术语(“诊断”、“分级”、“验证”、“准确性”)。仅考虑英文、同行评审的原始研究、系统综述和荟萃分析。
- 3.
PCC框架
3.1. 人群(P)
评估用于诊断、分级或预后目的的人体组织学或细胞学标本,包括全切片图像和其他数字化制备物。
3.2. 概念(C)
AI方法,如深度学习、机器学习和CNN,用于病理学中的检测、诊断、分类、分级、分割或生物标志物测量等任务。
3.3. 背景(C)
在临床、实验室或回顾性数字档案环境中进行的研究,依赖数字病理学或WSI系统,并报告至少一个定量诊断性能指标。
3.4. 合格标准
当研究报告了AI在人体组织诊断、分级或预后工作中的应用,并依赖病理学家确认的参考标准时被纳入。验证是强制性的,优先选择使用外部或多中心材料的研究。排除没有临床测试的方法论文、非临床实验和会议摘要。
3.5. 相关研究识别
每个数据库的检索结果分两个阶段筛选。首先评估标题和摘要,排除不涉及诊断病理学或缺乏AI组件的项目。对所有剩余记录进行全文审查,以确认符合PCC框架和合格标准。只有满足这些要求的研究才被纳入数据提取。
3.6. 数据图表过程
提取的信息包括标本类型、算法执行的任务、数据集大小和多样性、使用的验证方法以及报告的性能指标,如灵敏度、特异度、AUC和ICC。这些变量被组织成表格以清晰总结证据。由于纳入的研究评估了不同的标本类型、诊断目标、算法和验证策略,定量结果以描述性方式综合,而不是在所有研究中进行统计汇总。本综述中讨论的灵敏度和特异度值是从证据库中包含的个别荟萃分析或大型外部验证研究中提取的,并非通过新的汇总荟萃分析或正式标准化程序生成。
- 4.
结果
病理学AI的演变:从早期形态测量到多模态系统。病理学中的早期计算工作依赖于规则驱动的图像分析,主要用于基本形态测量。2010年代中期发生了重大转变,当时大量数字化切片集合可用,并且计算能力足以支持深度学习。在计算病理学研究内,基于CNN的模型迅速成为数字图像解读的主导框架,因为它们能够从大型WSI数据集中自动提取复杂的组织形态学特征。从2020年开始,随着WSI平台的更广泛使用,弱监督训练方法的兴趣增加,以及将组织学与基因组和临床信息联系起来的多模态模型的出现,开发加速。本综述确定的证据库包括来自多个小组的验证研究和荟萃分析。综合起来,这些报告分析了超过150,000张数字切片,涵盖了多种组织类型,提供了诊断病理学中经过验证的AI应用的广泛图景。
4.1. 经过验证的诊断应用映射
描述诊断性能的证据近年来迅速增长。表2呈现了纳入研究主要结果的结构化总结。
4.2. 新兴领域和特定领域
细胞病理学:在宫颈细胞学和组织FNA解读中报告了强劲性能,但当实验室间染色质量和载片制备不同时,结果会有所变化。口腔病理学:已发表的工作仍然有限,因为大型注释数据集很少见。早期研究在HNSCC分割和异型增生进展预测等任务中报告了令人鼓舞的结果。由于许多口腔病理中心采用数字系统的比率低,更广泛的评估受到限制。
4.3. 监管和验证现状
监管机构进展缓慢,在详细审查后仅批准了少数系统。FDA已批准了Paige Prostate等工具,并引入了预定变更控制计划以指导自适应算法的评估。尽管有这些进展,实验室级性能和常规临床使用所需证据之间仍存在显著差距。本综述中包含的研究表明计算病理学研究向真实诊断任务验证的转变。当在足够多样且注释良好的材料上训练时,几个AI模型在诊断和分级应用中达到与专家评估相当的性能水平。诊断准确性估计根据组织类型、算法设计和验证方法而变化。癌症检测研究的荟萃分析证据报告在选定应用中灵敏度超过96%,特异度高于93%,表明一些狭义定义的诊断任务正接近技术成熟。尽管存在方法学异质性,但在大多数临床导向的研究中,一致的性能期望出现:敏感性>90%、特异性>90%、AUC值接近或超过0.90,以及强一致性度量如ICC或CCC>0.85被视为辅助诊断部署的可接受阈值。分级应用的协议度量,特别是Gleason评分,也一致倾向于QWK值>0.80作为临床可靠重复性的指标。尽管这些阈值根据诊断背景和临床风险而变化,但广泛共识是,用于真实世界实施的AI系统必须证明稳定的外部验证性能,而不是孤立的高内部准确性。纳入研究在数据集规模上也存在显著差异,从约500张图像的单一中心队列到超过150,000张WSI的荟萃分析数据集。这种变异对模型稳健性和泛化性有重要影响。较小的数据集经常报告有希望的内部准确性,但更容易过度拟合、谱偏倚以及跨扫描仪、染色协议和机构工作流的转移性降低。相比之下,大型多中心数据集和汇总分析通常产生更稳定的性能估计,因为它们纳入了更广泛的形态学变异性和外部验证条件。因此,审查的证据表明,对于临床可靠性,数据集多样性和外部验证可能比模型复杂性本身更重要。
4.4. 诊断和分级应用
诊断和分级应用在不同器官系统中进展不均,前列腺病理学成为最成熟和广泛验证的领域。几个因素解释了这一趋势:前列腺活检解读通过Gleason分级系统遵循相对标准化的组织形态学标准,减少了观察者间变异性,并实现了更可重复的算法训练注释。此外,前列腺病理学在结构化筛查和诊断工作流中产生大量活检量,允许开发适用于深度学习应用的大型多机构WSI存储库。PANDA挑战包括来自多个中心的超过11,000张WSI,证明AI辅助Gleason分级可以在机构间实现强重复性,QWK为0.862。监管批准如Paige Prostate通过提供最早临床可部署的验证模型之一进一步加强了该领域。乳腺病理学是另一个快速发展的领域,特别是淋巴结转移检测、肿瘤分级和肿瘤浸润淋巴细胞(TIL)量化。与前列腺病理学相比,乳腺癌评估涉及更大的形态异质性和更多变的生物标志物解读,这使模型标准化复杂化。即便如此,大型注释数据集和对可重复生物标志物评估的强烈临床需求加速了该领域的算法开发。评估TIL量化和反应预测的研究报告了临床相关的预后分层,但前瞻性外部验证仍然有限。细胞病理学应用,包括宫颈细胞学和组织FNA解读,显示出令人鼓舞的诊断性能。然而,这些系统对实验室间染色质量、固定方法、涂片制备和图像采集协议的差异高度敏感。与组织学WSI不同,细胞学标本通常包含重叠细胞、可变的背景伪影和不一致的焦平面,产生额外的计算挑战,降低跨机构的转移性。口腔和头颈病理学进展相对有限。尽管早期研究在异型增生预测和HNSCC分割方面表现出有希望的性能,但更广泛的验证受到访问大型注释数据集有限和口腔病理中心数字病理学基础设施采用率低的限制。组织学异质性、特定病变的病例量相对较低以及研究间分级标准不一致进一步使模型开发复杂化。类似的障碍影响几个较小的病理学亚专科,其中数据集稀缺和有限的多中心合作限制了强大的外部验证。跨器官系统,从实验算法到临床可靠工具的转变取决于克服几个共同障碍。这些包括需要更大的多中心数据集、染色和扫描协议的标准化、透明的验证标准、改进的可解释性以及在真实临床条件下进行的前瞻性工作流研究。审查的证据表明,成功临床转化更可能发生在具有标准化诊断标准、高标本量和已建立数字基础设施的疾病环境中。
4.5. 转化障碍
尽管几个AI系统报告的诊断性能令人鼓舞,常规实施仍然大大落后于研究发展。大多数机构的组织病理学诊断继续依赖病理学家的直接显微镜检查,AI部署主要依赖于先前采用的数字病理工作流。数字病理学实施的最新分析强调,主要挑战不仅是算法性能,而且是WSI渗透到常规临床实践的有限程度。影响采用的因素超出技术验证,包括组织文化、员工准备、工作流重新设计、监管要求、基础设施投资和长期维护成本。评估真实世界实施的研究一致表明,在AI工具可以集成到常规报告之前,成功的采用需要广泛的变革管理过程、培训计划、病理学家参与和机构承诺。因此,许多AI系统仍局限于试点项目、验证研究或狭义定义的辅助应用,而不是广泛的临床部署。进展仍然不均衡,即使在准确性指标看起来强劲的领域。纳入研究中确定的重大挑战以及相应的缓解策略总结在表3和图2中。一个反复出现的问题是严重依赖单中心队列,这缩小了训练示例的范围,并在模型在其他地方测试时削弱了性能。小组已开始尝试联邦学习和结构化数据增强等方法,以扩大训练材料范围,同时保护患者信息。这些策略仍需要多个机构的协调参与和关于如何处理数据的透明协议。对模型可解释性的担忧继续影响病理学中AI系统的临床采用。多位综述和实施研究将有限的透明度、错误归属的不确定性以及将算法输出与传统形态学推理相关联的困难确定为病理学家信任和接受的反复出现的障碍。因此,开发了可解释AI方法,包括注意力图、显著性覆盖和类激活可视化,以通过将预测链接到可识别的组织学区域来改善可解释性。来自基于工作流的实施研究的当前证据表明,辅助或“人在回路”模型,即病理学家保留对最终解释的责任,同时审查算法生成的输出,而不是完全自主的报告系统,是临床部署最实用的近期策略。实际部署也在很大程度上取决于与现有实验室信息系统(LIS)、数字切片档案和报告工作流的互操作性。几个实施研究表明,当AI输出需要在平台之间手动传输时,低效集成会增加报告延迟、工作流碎片化和用户阻力。因此,当AI系统使用标准化互操作框架(如用于病理学成像的DICOM和结构化报告协议)直接嵌入常规数字病理学环境中时,采用更成功。尽管商业兴趣增长,但评估周转时间、可用性、诊断一致性和成本效益的正式前瞻性工作流研究仍然相对有限。访问数字病理学基础设施在机构和地理区域之间仍然高度不均。实施的障碍超出基础设施。调查和实施研究将工作流变化的文化阻力、对诊断责任的担忧、对监管监督的不确定性以及对算法决策能力的有限信心确定为采用的重要障碍。病理学家经常表示更愿意将AI用作决策支持工具,而不是自主诊断系统。此外,实验室管理员必须证明对切片扫描仪、图像存储系统、网络容量、软件许可、验证程序和持续技术支持的大量投资是合理的。这些投资的经济回报可能难以立即证明,特别是在较小的病理服务和资源受限的医疗系统中。这些因素有助于解释为什么成功的研究尚未转化为普遍的临床实施。多项研究将切片扫描仪的成本、高容量数据存储、网络带宽要求和长期维护确定为实施的主要障碍,特别是在较小的实验室和资源受限的医疗系统中。这些基础设施限制直接影响大型注释数据集的可用性、WSI采用的可行性以及跨不同人群执行外部验证的能力。因此,更广泛实施更可能通过协作多机构网络、公私资助计划、可扩展的云存储解决方案以及包括来自不同资源环境的中心在内的验证研究来支持。
4.6. 监管和验证现状
监管进展持续但仍有节制。FDA授权Paige Prostate和发布自适应AI系统的预定变更控制计划表明对这些工具的监督日益清晰。IBEX前列腺平台的CE-IVDR授权在欧洲表现出类似趋势。然而,大多数已发表的算法尚未经过监管审查。技术成功与临床资格之间的持续差距凸显了需要多中心前瞻性研究和真实世界结果的透明报告。
- 5.
未来方向
最近的工作正转向多模态和生成方法,将组织学图像与基因组和临床信息合并,以构建更整合的疾病模型。新出现的证据进一步表明,计算病理学的下一阶段将依赖多模态AI系统,整合组织形态学特征与免疫组织化学(IHC)生物标志物和分子或基因组数据。这些模型结合补充的生物信息来源,以提高诊断准确性、肿瘤分类、预后分层和治疗反应预测。几个研究表明,将数字组织病理学与分子分析相结合,使AI模型能够识别临床相关的肿瘤亚型,直接从组织形态推断基因组改变,并通过将形态学模式与可操作生物标志物联系起来支持精准肿瘤学。同样,将AI辅助的IHC标志物定量评估(如Ki-67、PD-L1、ER、PR和HER2)与组织学图像分析相结合,有可能减少观察者间变异性,同时为治疗选择提供更可重复的生物标志物评估。随着多模态数据集通过大型协作倡议变得越来越可用,组织学、免疫表型和分子信息的整合有望成为未来计算病理学和个性化癌症诊断的基石。通过链接这些数据类型,研究人员旨在预测结果、治疗反应和其他临床有用的终点,从而将焦点从基于图像的模式识别转移。联邦学习倡议和大型共享数据集可能在解决隐私约束和减少机构特定实践引入的变异性方面发挥关键作用。随着这些技术的进步,病理学家需要熟悉算法行为和局限性,支持人类专业知识和计算工具协同工作而非对立的工作模型。在常规诊断中,AI的实用价值将取决于其加强而不是取代专业判断的能力。只有当系统在集成的数字环境中运行,病理学家保留对最终解释的责任时,才能预期在精度、一致性和报告效率方面的收益。
5.1. 综述的局限性
本综述提供了病理学AI应用的概述,但必须承认几个重要局限性。首先,尽管纳入的研究代表了计算病理学中具有影响力和高度引用的成果,但最终证据库仍然相对较小且异质,约15项主要研究构成核心比较数据集。这限制了在所有病理学亚专科、诊断设置和AI架构中得出普遍可推广结论的能力。另一个局限性是目前影响数字病理学研究的更广泛的发表偏倚。许多商业开发的算法、专有验证数据集和工业主导的临床评估仍未发表或仅在同行评审文献中部分可访问。因此,公开可用的研究可能过度代表高性能系统,而低估失败的实施、阴性发现或工作流相关局限性。这种选择性可见性使独立评估真实世界重复性和外部有效性复杂化。几个纳入研究也严重依赖单中心回顾性队列或集中管理的存储库如癌症基因组图谱(TCGA)。尽管这些资源为算法开发提供了大型注释数据集,但它们可能无法完全代表常规临床实践中遇到的变异性。TCGA衍生的图像通常在受控扫描和染色条件下生成,而真实世界病理学工作流涉及组织处理、固定、扫描仪校准和报告实践中的大量机构间变异。因此,主要在集中或同质数据集上训练的模型在应用于不同实验室和患者群体时,仍然容易出现域偏移和性能降低。纳入文献在方法学、数据集质量、验证策略和报告标准上也差异很大。许多算法缺乏常规临床条件下的前瞻性多中心验证,一些研究主要依赖回顾性内部测试。将检索限制为2020年至2025年的英文出版物可能额外排除了相关的早期或非英文证据。口腔病理学和细胞病理学等亚专科的数字基础设施限制进一步减少了大型公共数据集和强大的外部验证研究的可用性。
- 6.
结论
诊断病理学中的AI已经超越实验开发,现在在选定的应用中表现出临床有意义的性能,特别是在癌症检测、分级和生物标志物量化中。目前最强的证据存在于具有标准化分级系统、高标本量和大型多中心数据集的病理学领域,如前列腺和乳腺病理学。一些辅助AI系统已经进入受监管的临床工作流,但实施在亚专科和机构之间仍然不均衡。尽管如此,广泛采用仍然受到数字病理学实施速度、员工接受度、机构投资需求以及需要可持续集成到现有实验室工作流的限制。本综述的结果表明,AI目前作为集成在病理学家监督的数字工作流中的决策支持工具最为有效,而不是作为专家解读的替代品。更广泛的临床采用将取决于前瞻性多中心验证、改善与实验室系统的互操作性、增加对数字基础设施的访问以及使用多样化的真实世界数据集来加强外部泛化性并减少实施偏倚。