肺癌是全球范围内恶性肿瘤致死的主要原因，我国肺癌的发病率及病死率长期位居首位。近年来，个体化治疗被认为是肺癌患者生存获益的重要保障。个体化治疗策略的制定，依赖于病理医师的精准诊断。随着人工智能(Artificial Intelligence,AI)“赋能”病理诊断的深入发展，开启了精准病理诊断的新时代。基于卷积神经网络(Convolutional Neural Networks, CNN)的AI 辅助判读系统已取得了一些成果，尤其是在肺癌病理诊断方面。广州市第一人民医院（Guangzhou First People's Hospital）病理科主管技师杨耀湘长期致力于病理研究，坚守临床一线，从事病理工作至今12年，她在运用AI技术在肺癌病理诊断领域的应用及研究取得了原创突破。

AI赋能病理诊断的常见应用模式是基于深度神经网络技术进行图像处理和分类，如将AI用于区分组织样本中的良恶性成分、判断靶标阴阳性等。该类AI模型可在大量病理图像训练集和验证集的调试下，依靠机器学习从大量相关数据中自动提取特征，生成解决方案，实现应用。杨耀湘提出机器学习方法主要分两种类型: ( 1) 监督学习，多用于标签齐全的数据，如通过训练集数据学习特征和标签之间的关系，用于新数据的前瞻性预测； ( 2) 无监督学习，多用于标签不全或无标签的数据，常见于聚类分析，如AI识别数据中的相似属性并将它们进行分类。

杨耀湘经过长期的成功实践，总结出肺癌病理诊断中AI的应用场景，包括: ( 1) 肺癌的定性分析及组织学亚型判断； ( 2) 预测肺癌分子学特征及患者预后； ( 3) 肺癌生物学标志物的定量分析；( 4) 信息整合实现深层次的肺癌精准诊断。

以定性分析为例，杨耀湘提出了肺癌的定性分析及组织学亚型判断，她通过创建HALO AI模型，对肿瘤区域和非肿瘤区域进行分割后判读。同时，AI对肿瘤区域的识别衍生出多项相关应用，如根据淋巴结内肿瘤区域的识别，检测是否存在淋巴结转移； 根据肿瘤区域占比，推测分子检测的样本DNA含量是否足够等。AI还可根据不同组织学亚型特征，识别并区分如腺癌、鳞状细胞癌这些常见组织学类型。杨耀湘研究发现：在冷冻切片、石蜡包埋组织及活检标本中，AI均表现出和病理医师相当的腺癌、鳞状细胞癌识别能力，该AI模型的曲线下面积( area under curve，AUC) 高达0. 97，展现出较高的诊断价值，但该模型无法识别分化特征不明显的肿瘤。与免疫组化技术相结合的AI模型，可基于腺癌和鳞状细胞癌常见鉴别指标(含TTF-1、Napsin A、p40、p63和CK5/6等)，协助病理医师对分化特征不明显的肺癌分型。

定量分析比较典型的案例之一是AI对PD-L1表达评分的判读。PD-L1是免疫治疗标志物，可用于筛选免疫治疗的潜在获益人群及预测免疫治疗疗效，PD-L1检测结果的精准判读至关重要。杨耀湘创造性提出AI辅助下的PD-L1判读，可提供标准化评判体系，弥补我国病理医师缺口，赋能病理诊断行业发展。该模型在肿瘤区域识别、细胞核定位的基础上，加入AI对PD-L1 染色模式的识别，从而计算出PD-L1表达评分。大量临床成功案例显示，在肺鳞状细胞癌和肺腺癌TPS评分为1% -49%和≥50%的病例中，AI判读水平和病理医师高度一致，甚至优于无经验医师。杨耀湘团队基于CNN和全切片图像( whole slide image，WSI) 开发的名为“Aitrox AI Model”的 AI模型，在PD-L1(22C3 pharmDx 免疫组化染色)阴性( TPS＜1% )及低表达组( TPS为1%- 49% ) 中，展现出与高年资病理医师一致的判读水平。

杨耀湘运用AI模型在肺癌病理诊断中的应用已引起广泛关注，并经历了大量探索性实验，在重塑病理诊断方面取得了重要进展。AI开启了精准病理诊断新时代，AI赋能决策，未来AI将成为病理医师常规诊断流程的一部分，特别是以ChatGPT为代表的生成式AI可能成为变革方向之一。AI技术有望在未来用于辅助病理医师更精准、更高效地诊断，预测预后信息，辅助临床决策，开展精准治疗。（作者：刘宁宁）