肺癌是全球範圍內惡性腫瘤致死的主要原因，我國肺癌的發病率及病死率長期位居首位。近年來，個體化治療被認為是肺癌患者生存獲益的重要保障。個體化治療策略的制定，依賴於病理醫師的精準診斷。隨著人工智慧(Artificial Intelligence,AI)“賦能”病理診斷的深入發展，開啟了精準病理診斷的新時代。基於卷積神經網路(Convolutional Neural Networks, CNN)的AI 輔助判讀系統已取得了一些成果，尤其是在肺癌病理診斷方面。廣州市第一人民醫院（Guangzhou First People's Hospital）病理科主管技師楊耀湘長期致力於病理研究，堅守臨床一線，從事病理工作至今12年，她在運用AI技術在肺癌病理診斷領域的應用及研究取得了原創突破。

AI賦能病理診斷的常見應用模式是基於深度神經網路技術進行圖像處理和分類，如將AI用於區分組織樣本中的良惡性成分、判斷靶標陰陽性等。該類AI模型可在大量病理圖像訓練集和驗證集的調試下，依靠機器學習從大量相關數據中自動提取特徵，生成解決方案，實現應用。楊耀湘提出機器學習方法主要分兩種類型: ( 1) 監督學習，多用於標簽齊全的數據，如通過訓練集數據學習特徵和標簽之間的關係，用於新數據的前瞻性預測； ( 2) 無監督學習，多用於標簽不全或無標簽的數據，常見於聚類分析，如AI識別數據中的相似屬性並將它們進行分類。

楊耀湘經過長期的成功實踐，總結出肺癌病理診斷中AI的應用場景，包括: ( 1) 肺癌的定性分析及組織學亞型判斷； ( 2) 預測肺癌分子學特徵及患者預後； ( 3) 肺癌生物學標誌物的定量分析；( 4) 資訊整合實現深層次的肺癌精準診斷。

以定性分析為例，楊耀湘提出了肺癌的定性分析及組織學亞型判斷，她通過創建HALO AI模型，對腫瘤區域和非腫瘤區域進行分割後判讀。同時，AI對腫瘤區域的識別衍生出多項相關應用，如根據淋巴結內腫瘤區域的識別，檢測是否存在淋巴結轉移； 根據腫瘤區域佔比，推測分子檢測的樣本DNA含量是否足夠等。AI還可根據不同組織學亞型特徵，識別並區分如腺癌、鱗狀細胞癌這些常見組織學類型。楊耀湘研究發現：在冷凍切片、石蠟包埋組織及活檢標本中，AI均表現出和病理醫師相當的腺癌、鱗狀細胞癌識別能力，該AI模型的曲線下面積( area under curve，AUC) 高達0. 97，展現出較高的診斷價值，但該模型無法識別分化特徵不明顯的腫瘤。與免疫組化技術相結合的AI模型，可基於腺癌和鱗狀細胞癌常見鑒別指標(含TTF-1、Napsin A、p40、p63和CK5/6等)，協助病理醫師對分化特徵不明顯的肺癌分型。

定量分析比較典型的案例之一是AI對PD-L1表達評分的判讀。PD-L1是免疫治療標誌物，可用於篩選免疫治療的潛在獲益人群及預測免疫治療療效，PD-L1檢測結果的精準判讀至關重要。楊耀湘創造性提出AI輔助下的PD-L1判讀，可提供標準化評判體系，彌補我國病理醫師缺口，賦能病理診斷行業發展。該模型在腫瘤區域識別、細胞核定位的基礎上，加入AI對PD-L1 染色模式的識別，從而計算出PD-L1表達評分。大量臨床成功案例顯示，在肺鱗狀細胞癌和肺腺癌TPS評分為1% -49%和點50%的病例中，AI判讀水準和病理醫師高度一致，甚至優於無經驗醫師。楊耀湘團隊基於CNN和全切片圖像( whole slide image，WSI) 開發的名為“Aitrox AI Model”的 AI模型，在PD-L1(22C3 pharmDx 免疫組化染色)陰性( TPS＜1% )及低表達組( TPS為1%- 49% ) 中，展現出與高年資病理醫師一致的判讀水準。

楊耀湘運用AI模型在肺癌病理診斷中的應用已引起廣泛關注，並經歷了大量探索性實驗，在重塑病理診斷方面取得了重要進展。AI開啟了精準病理診斷新時代，AI賦能決策，未來AI將成為病理醫師常規診斷流程的一部分，特別是以ChatGPT為代表的生成式AI可能成為變革方向之一。AI技術有望在未來用於輔助病理醫師更精準、更高效地診斷，預測預後資訊，輔助臨床決策，開展精準治療。（作者：劉寧寧）