基于人工智能的前列腺免疫组化（IHC）结果不确定性病例筛查：筛查与癌症检测框架的开发与验证

《Modern Pathology》：AI-driven screening of equivocal prostate IHC cases: development and validation of a screening and cancer detection framework

前列腺活检AI筛查模型研究显示，通过互补敏感与特异模型可减少55%的免疫组化需求，错误率仅1.4%。任务专用编码器模型SCT-TSE在保持98.5% AUC的同时，参数量比通用模型少50倍且推理快6.5倍。

　　人工智能在病理诊断领域的应用正逐渐成为解决医疗需求增长的重要工具。尤其是在前列腺活检诊断中，免疫组织化学（IHC）的使用频率较高，但其带来的额外工作量、时间和成本也显而易见。因此，研究如何利用人工智能技术减少IHC的使用，成为提升病理诊断效率和优化医疗资源分配的关键课题。本文介绍了由北美知名医疗机构开发的一套人工智能系统，旨在通过精准筛查，减少对IHC的依赖，从而降低诊断成本，缩短处理时间，并减轻病理医生的工作负担。

前列腺癌是全球男性中第二常见的恶性肿瘤，每年新诊断病例超过100万例。虽然PSA和多参数磁共振成像（mpMRI）等技术在前列腺癌的早期检测和风险分层中发挥了重要作用，但最终的病理诊断仍然是疾病管理的核心环节。随着人口老龄化趋势的加剧，前列腺活检的数量预计将持续上升，这对病理医生的工作量和诊断效率提出了更高的要求。尤其是在处理IHC请求的病例时，由于某些复杂的病理模式难以通过H&E染色的显微图像准确判断，医生往往需要借助IHC进行进一步确认。然而，IHC不仅增加了诊断的复杂性，还带来了额外的经济负担和时间延迟。

本文的研究团队通过扫描1,641名患者的25,570张H&E染色切片，构建了一个大规模的前列腺癌数字病理数据库，用于开发和验证IHC筛查模型。他们采用了两种模型策略：一种是针对特定任务的编码器（TSE），另一种是通用的基础模型（UNI）。研究发现，TSE模型在筛查IHC请求的病例方面表现更优，能够准确分类55%的疑难病例，总错误率仅为1.4%。相比之下，虽然UNI模型的筛查率更高，但其错误率也相应增加，且计算需求更大，可能影响实际应用中的效率和成本控制。

值得注意的是，研究团队还对两种模型的性能进行了比较。在癌症检测任务中，TSE模型在AUC（曲线下面积）、敏感性和特异性方面均表现出色，达到了98.5%的AUC，95.0%的敏感性和97.8%的特异性。这表明，TSE模型不仅在筛查任务中表现优异，在癌症检测方面也具有高度的准确性。此外，TSE模型的参数量仅为UNI模型的约1/50，推理速度也提高了6.5倍，这在实际部署中具有显著的优势。

为了进一步验证模型的有效性，研究团队还进行了一系列共识评审，邀请五位经过专业培训的泌尿生殖系统病理学家对模型预测结果进行评估。评审结果显示，模型在识别某些复杂病例（如萎缩性癌变、筛状生长模式、组织处理伪影等）方面表现良好，能够准确识别出原本未被医生发现的癌症病变。然而，模型在某些情况下仍存在误判，尤其是在那些难以区分的良性病变中。因此，研究团队强调，尽管AI在某些情况下可以替代IHC，但在临床实践中，IHC仍应作为最终确诊的重要手段，尤其是在模型预测结果不确定的情况下。

从技术角度来看，研究团队开发的Sparse Convolutional Transformer（SCT）模型，结合了自注意力机制和卷积操作，能够高效捕捉组织切片中不同区域之间的局部和全局关系。这种设计不仅提高了模型的分类能力，还减少了计算资源的消耗，使得模型在实际应用中更具可行性。此外，模型在不同阈值下的表现也显示出其灵活性，例如在严格的阈值下，SCT-TSE模型可以实现44.7%的癌变块筛查率，同时将假阳性率和假阴性率分别控制在0.4%和0%。相比之下，SCT-UNI模型虽然筛查率更高，但其假阳性率和假阴性率均有所上升，这在临床实践中可能带来不必要的风险。

在实际应用中，这种AI系统不仅可以帮助医生快速判断某些病例是否需要进一步的IHC检测，还能通过减少重复检查和优化诊断流程，显著降低医疗成本。例如，IHC的单块成本约为172.76美元，而通过AI筛查可以避免对部分病例进行IHC分析，从而节省大量资源。此外，AI系统的部署还能够缓解病理医生的工作压力，提高诊断效率，特别是在处理大量病例时，能够有效缩短诊断周期。

然而，这项研究也指出了AI在病理诊断中面临的挑战和局限性。首先，由于模型的训练数据主要来自特定机构的患者群体，其泛化能力可能受到限制。这意味着在其他医疗机构或不同患者群体中，模型的表现可能会有所不同。其次，AI系统的实施需要与现有的实验室信息系统和图像管理系统进行集成，这涉及到技术对接、数据管理和结果可视化等多个环节，可能需要额外的资源和时间投入。此外，伦理和偏见问题也是不可忽视的重要方面，尤其是在不同种族或民族群体中的表现差异可能会影响模型的公平性和可靠性。

尽管如此，这项研究为AI在病理诊断中的应用提供了重要的参考价值。通过结合互补的敏感性和特异性模型，研究团队成功开发出一种能够在不依赖IHC的情况下，对大部分疑难病例进行准确筛查的系统。这不仅有助于提高诊断效率，还能够减少患者的焦虑和医疗成本。此外，模型的轻量化设计使其在实际部署中更具可行性，特别是在资源有限的医疗机构中。

从长远来看，AI在病理诊断中的应用仍处于发展阶段，需要进一步的技术优化和临床验证。研究团队建议未来的研究应关注如何将这种系统推广到其他医疗机构，并探索其在不同患者群体中的表现。同时，还需要加强AI模型的伦理审查，确保其在临床应用中的公平性和安全性。此外，随着AI技术的不断进步，未来可能会出现更加高效和准确的模型，从而进一步优化病理诊断流程，提高医疗服务质量。

总的来说，这项研究展示了AI在前列腺癌诊断中的巨大潜力，特别是在减少IHC使用和优化病理流程方面。通过构建高质量的数字病理数据集，开发高效的模型架构，并结合临床专家的共识评审，研究团队为AI在病理诊断中的实际应用奠定了坚实的基础。未来，随着技术的不断完善和临床数据的积累，这种AI系统有望在更多医疗机构中得到推广，为病理医生和患者带来更多的便利和价值。