引言
对于黑色素瘤患者而言,肿瘤微环境中的肿瘤浸润淋巴细胞(TILs)是评估免疫治疗反应和预测生存期的关键生物标志物。然而,传统的病理学评估方法依赖病理学家肉眼观察,存在高度主观性和不一致性,严重影响了其在临床决策中的可靠性。随着人工智能(AI)与数字病理技术的飞速发展,利用机器学习算法实现TILs的标准化、可重复量化成为可能,有望解决人工评估的痛点。
近期,《美国医学会杂志》(JAMA)子刊发表的一项国际多中心研究,对AI驱动的TILs量化工具与传统病理评估方法进行了直接比较,为AI技术在黑色素瘤诊断和预后评估中的应用提供了强有力的证据。
研究设计与方法
该研究纳入了两个独立的皮肤黑色素瘤患者队列,共涉及111例患者的数字化切片,并招募了多达98名操作员(包括专业病理学家和科学家)参与评估。研究旨在系统性地评估一款名为 ANNMAR_24 的AI算法在TILs定量分析中的有效性。
研究人员将操作员分为两组:
- AI辅助组(58人): 使用AI工具对全切片图像进行分析。该算法能自动识别并分类肿瘤细胞、免疫细胞和间质细胞,从而精确计算出TILs的各项参数。
- 传统手工评估组(40人): 采用传统的Clark分级系统和TILs工作组的评分标准进行人工半定量评估。
研究通过比较两组操作员间评估结果的一致性(ICC值),并结合患者长达5年以上的随访数据,分析了不同评估方法与疾病特异性生存率的关联。
核心研究发现:AI展现压倒性优势
1. AI评估展现卓越的一致性
研究结果显示,AI辅助评估的再现性极高。例如,在评估电子TILs百分比(eTILs)时,AI辅助组的组内相关系数(ICC)高达0.94,接近完美一致。相比之下,传统手工评估间质型TILs(sTILs)的ICC值仅为0.60,而Clark分级的Kendall W值更是低至0.44。这表明AI工具有效克服了不同观察者带来的主观偏差。
图:参与者流程图,展示参与者分组与筛选状况
图:AI辅助组vs手工组的TIL评分一致性对比及变量表现
2. AI评分与患者生存预后显著相关
在临床预后价值方面,AI同样表现出色。生存分析显示:
- 使用AI定量的eTILs指标进行分组,高TILs水平的患者生存获益显著(HR=0.45, P=0.005),意味着死亡风险降低了55%。
- 即使采用文献中既定的标准,AI评分依然具有显著的预后预测能力(HR=0.56, P=0.04)。
- 相比之下,传统的Clark分级在此次研究中未能显示出与患者生存的显著关联(P=0.28)。
在多变量分析中,只有AI驱动的TILs评分和肿瘤分期是预测黑色素瘤患者疾病特异性生存的独立因素。
图:基于eTILs和手工sTILs评分的生存曲线对比,揭示AI分数的预后优势
3. 操作简便,结果稳定
值得注意的是,在AI辅助组中,无论操作员是否具备病理学专业背景,其得出的评估结果都高度一致。这证明了该AI工具操作门槛低,性能稳定,易于推广和标准化。
研究的临床意义与未来展望
这项研究是迄今为止黑色素瘤TILs评估领域规模最大的多中心、多操作员AI验证项目。它清晰地证明,AI驱动的定量分析在一致性和预后价值上均优于传统的人工评估方法。
对于黑色素瘤患者,尤其是在考虑免疫检查点抑制剂等免疫治疗方案时,一个准确、可靠的生物标志物至关重要。AI定量的TILs评分为评估肿瘤免疫微环境提供了坚实的工具,不仅能独立预测患者的生存结局,更有望在未来指导个体化的精准免疫治疗决策,帮助筛选出最有可能从治疗中获益的患者群体。
尽管该研究为回顾性分析,但其公开的AI工具和数据为后续的临床验证铺平了道路,将加速AI技术融入黑色素瘤的日常诊断与管理流程,推动数字病理和免疫肿瘤学进入一个更加精准、标准化的新时代。