*僅供醫(yī)學專業(yè)人士閱讀參考

面對傳統(tǒng)分子檢測的臨床瓶頸，AI深度學習展現(xiàn)出作為高效輔助工具的潛力。

肺癌是全球第二常見的惡性腫瘤，也是癌癥相關(guān)死亡的首要原因。其中，非小細胞肺癌（NSCLC）約占全部肺癌病例的85%[1]。隨著分子檢測技術(shù)的快速發(fā)展，ALK、EGFR、ROS1、KRAS等驅(qū)動基因陸續(xù)被發(fā)現(xiàn)，推動了靶向治療時代的到來。盡管分子分型在精準治療中發(fā)揮著關(guān)鍵作用，但傳統(tǒng)分子檢測方法（如NGS、FISH、IHC）仍存在取材受限、檢測周期長、成本較高等問題，難以滿足臨床中快速、普適的分子診斷需求。

近年來，人工智能（AI）及深度學習技術(shù)的迅猛發(fā)展，為這一難題提供了新的解決思路。越來越多研究發(fā)現(xiàn)，常規(guī)的蘇木精-伊紅（H-E）染色病理切片，全切片圖像可用于預測腫瘤的分子特征，從而實現(xiàn)對驅(qū)動基因狀態(tài)的智能識別和篩查。

近期，

Translational Lung Cancer Research

研究方法

研究團隊從Embase、Medline、Web of Science、Cochrane、LILACS等數(shù)據(jù)庫檢索文獻，輔以手工檢索與Google Scholar滾雪球檢索以補充資料。納入標準為：使用H-E全切片圖像并以深度學習模型預測NSCLC相關(guān)驅(qū)動基因的原始研究，且報告關(guān)鍵診斷指標，如綜合受試者工作特征曲線下面積（AUROC）、敏感性、特異性等；僅納入英文或西班牙文文獻[1]。

提取內(nèi)容包括模型架構(gòu)、數(shù)據(jù)來源、全切片圖片數(shù)量、補丁大小、預處理方法、訓練/驗證方案及TP/FP/FN/TN等指標。研究質(zhì)量通過2024年CLAIM檢查表評估，并對頻次足夠的基因采用薈萃分析匯總AUROC、敏感性與特異性，同時進行敏感性分析和異質(zhì)性探討以評估結(jié)論穩(wěn)健性。

研究結(jié)果

▌文獻檢索與總體納入情況

通過系統(tǒng)檢索，共獲得6,872篇潛在相關(guān)文獻，并在去重及篩選后，最終納入23項符合標準的研究進行分析。這些研究發(fā)表于2018年至2025年間，顯示出近年來AI在病理學領(lǐng)域的研究熱度持續(xù)上升。其中，2021年至2024年間的發(fā)表量明顯上升，反映出深度學習模型在預測NSCLC分子改變方面已成為新的研究熱點。

▌研究分布與數(shù)據(jù)來源

從地域分布來看，在納入的研究中，約1/3來自中國和美國，其余研究分別來自德國、日本、法國、加拿大、波蘭和以色列等國家，這體現(xiàn)出該領(lǐng)域的研究具有明顯的國際化趨勢。

在數(shù)據(jù)來源方面，65%的模型基于癌癥基因組圖譜（TCGA）數(shù)據(jù)庫訓練，其余則采用機構(gòu)自建或商業(yè)數(shù)據(jù)庫。然而，僅有5項研究進行了外部驗證，提示模型的跨數(shù)據(jù)集泛化能力仍需進一步驗證。

▌深度學習模型類型與技術(shù)特征

卷積神經(jīng)網(wǎng)絡（CNN）是最常用的算法框架，其中InceptionV3、ResNet、EfficientNet和DenseNet等架構(gòu)使用頻率最高，占比超過70%。此外，部分研究引入了視覺變換器、多實例學習及自監(jiān)督學習等新興技術(shù)，用以提升模型的特征提取與泛化能力。

在圖像預處理方面，主流方法包括背景去除、顏色歸一化及偽影過濾；少數(shù)研究采用生成對抗網(wǎng)絡（GAN）進行數(shù)據(jù)增強，以提高模型的穩(wěn)健性。總體來看，模型復雜度和訓練數(shù)據(jù)量與預測性能呈正相關(guān)。

▌關(guān)鍵基因預測性能

薈萃分析結(jié)果顯示，不同驅(qū)動基因的預測準確性存在一定差異。其中，ALK融合的預測表現(xiàn)最為突出，總體敏感性為80%（95% CI，53%–94%），特異性為85%（95% CI，39%–98%），AUROC超過0.8，顯示出較高的辨識能力。EGFR突變的預測結(jié)果亦較為理想，敏感性為80%（95% CI，72%–86%），特異性為77%（95% CI，69%–83%），提示模型在識別EGFR突變樣本方面具備良好的一致性和穩(wěn)定性。

圖1.深度學習模型預測ALK融合的敏感性與特異性

圖2.深度學習模型預測EGFR突變的敏感性與特異性

模型對TP53突變的預測能力相對居中，敏感性與特異性均約為70%（95% CI，65%–75%）。對于KRAS與STK11等基因，AUROC值介于0.61至0.69之間，預測性能有限；而BRAF突變的平均敏感性僅為51%，為所有基因中最低，提示模型對該突變類型的識別仍存在明顯不足。

圖3.深度學習模型預測TP53突變的敏感性與特異性

總體來看，ALK和EGFR相關(guān)模型的預測性能最為穩(wěn)定，顯示出在臨床分子篩查中的潛在應用價值。這可能與其突變所導致的細胞形態(tài)學變化較為顯著有關(guān)，使得模型能夠從病理圖像中捕捉到可識別的特征模式。相比之下，KRAS、STK11及BRAF等突變在組織學層面的形態(tài)差異較弱，且受樣本量和數(shù)據(jù)異質(zhì)性影響較大，導致模型的學習效果和泛化能力受到一定限制。

此外，不同研究中所采用的算法結(jié)構(gòu)、數(shù)據(jù)預處理策略以及訓練樣本規(guī)模的差異，也可能是造成各基因預測性能差異的重要因素。值得注意的是，部分研究利用多實例學習或自監(jiān)督學習策略對模型進行優(yōu)化后，EGFR和ALK的預測性能均有明顯提升，提示模型架構(gòu)與訓練機制的改進是未來提升AI病理診斷精度的關(guān)鍵方向。

▌模型表現(xiàn)與可解釋性分析

性能優(yōu)異的模型多采用遷移學習或自監(jiān)督學習策略，能夠在外部驗證集上保持較高的泛化性能。部分研究使用可解釋人工智能（xAI）方法，直觀顯示模型在組織切片中關(guān)注的關(guān)鍵區(qū)域，發(fā)現(xiàn)AI識別的特征區(qū)域與病理專家關(guān)注的形態(tài)學模式具有一致性，這為模型的臨床可用性提供了支持。

▌研究質(zhì)量與敏感性分析

根據(jù)CLAIM（2024版）質(zhì)量評估標準，所有納入研究的質(zhì)量評分均超過70%，方法學總體可靠。敏感性分析結(jié)果表明，當排除表現(xiàn)最佳模型后，EGFR與ALK預測性能略有下降，但總體趨勢保持穩(wěn)定，提示結(jié)果具有較高的穩(wěn)健性。

討論與啟示

本研究系統(tǒng)探討了深度學習模型在基于組織病理學圖像預測NSCLC驅(qū)動基因突變方面的研究進展，并通過薈萃分析綜合評估了其診斷性能。結(jié)果顯示，深度學習模型能夠在常規(guī)H-E染色切片上識別腫瘤的分子特征，尤其在ALK融合和EGFR突變預測方面表現(xiàn)出較高的準確性。這一發(fā)現(xiàn)為肺癌的精準診斷提供了新的思路，也揭示了AI在病理學領(lǐng)域的巨大潛力。相較于傳統(tǒng)的分子檢測技術(shù)，AI的病理分析不僅能夠降低檢測成本、縮短診斷周期，還能在樣本量有限或無法進行分子實驗的情況下提供輔助性分子分型結(jié)果。

然而，本研究亦揭示出當前領(lǐng)域存在的諸多挑戰(zhàn)與局限。首先，大多數(shù)模型仍依賴于公共數(shù)據(jù)庫，缺乏多中心、真實世界的外部驗證，導致其在不同人群及不同病理制片標準下的泛化能力仍需進一步驗證。其次，各研究間在數(shù)據(jù)預處理流程、模型架構(gòu)、圖像分辨率以及性能評價指標方面差異較大，缺乏統(tǒng)一的技術(shù)與質(zhì)量控制標準，這在一定程度上制約了研究結(jié)果的可比性與臨床應用。此外，盡管部分研究采用熱力圖或顯著性分析方法展示模型的關(guān)注區(qū)域，但如何將這些圖像特征與病理學形態(tài)學依據(jù)建立穩(wěn)定對應關(guān)系，仍需深入探索。

未來，AI在肺癌病理分子預測領(lǐng)域的發(fā)展應聚焦于多模態(tài)整合與臨床驗證。一方面，結(jié)合影像組學、基因組學及臨床信息的綜合模型有望進一步提升預測精度與穩(wěn)健性；另一方面，應加強大樣本、多機構(gòu)合作研究，推動模型在真實世界場景下的驗證與優(yōu)化。同時，xAI技術(shù)的持續(xù)進步將有助于提高臨床醫(yī)生對AI模型的信任度與使用意愿，促進AI病理學工具在精準診療體系中的落地應用。

參考文獻：

[1] Parra-Medina R, Guerron-Gomez G, Mendivelso-González D, et al. Deep learning in histopathology images for prediction of oncogenic driver molecular alterations in lung cancer: a systematic review and meta-analysis. Transl Lung Cancer Res. 2025 May 30;14(5):1756-1769.

*此文僅用于向醫(yī)療衛(wèi)生專業(yè)人士提供科學信息，不代表平臺立場。