肺癌 PD-L1 评分:TPS-Guard 把 15 个模型意见分歧的切片交给病理医生复核,思路扎实,但仅在单一中心、单一抗体上验证
英国华威大学(University of Warwick)与考文垂大学医院的团队提出了一套系统:在非小细胞肺癌切片上自动计算 PD-L1 评分(TPS),再把 15 个模型分歧最大的估计连同复核理由一起交给病理医生。在来自单一中心、训练中从未见过的 114 张切片上,模型误差(6.96 个百分点)落在三位病理医生的区间内(4.24 至 8.29),而且它的不确定性恰好指向病理医生之间本身就意见不一的切片。分诊思路扎实,但在使用另一种抗体染色的外部数据上误差增至三倍,警示规则是在用于评估它们的同一队列上调出来的,也还没有研究证明这些警示能改变真实的病理报告。
背景
在晚期非小细胞肺癌(NSCLC)中,是否选择免疫治疗部分取决于一个数字:肿瘤比例评分(tumor proportion score,TPS),即抗 PD-L1 免疫组化(一种在切片上显示 PD-L1 蛋白的染色方法)中细胞膜被染色(哪怕很弱)的肿瘤细胞所占百分比。关键阈值有两个:1% 和 50%。高于 50% 时,可考虑一线单药使用帕博利珠单抗(pembrolizumab)。
这一评分靠肉眼估计,病理医生之间并不总是一致:需要把肿瘤细胞与同样可能着色的巨噬细胞区分开,识别部分着色,并在异质性组织(有时只是一小块活检)上做整体推断。多项研究表明,读片者之间的差异可能大于不同抗体之间的差异。现有的自动化工具(Hondelink 等 2022,van Eekelen 等 2024)报告的是整个队列上的平均一致性,却无法指出哪一个具体估计值得复核。这篇预印本要回答的正是:算法能否标出自己的疑虑?这些疑虑是否与人类觉得困难的病例重合?
方法
系统按照人工读片的顺序进行。第一步,圈定肿瘤:数字化切片被切成 224 × 224 像素的小块(patch),由 Virchow2 提取特征——这是一个病理学基础模型(foundation model,即在数百万张组织图像上预训练、可复用于多种任务的大型网络)——再分类为肿瘤、非肿瘤或富含巨噬细胞区域,后者被排除。第二步,计数:D2Count-Net 网络有两个分支,一个逐个检测细胞(细胞稀疏时有效),另一个估计密度图(细胞拥挤时更可靠),两者按组织细胞密度加权。TPS 等于阳性肿瘤细胞数除以全部肿瘤细胞数。
第三步是 TPS-Guard:15 个独立训练的模型各自给出一个 TPS,它们的标准差作为不确定性指标。最不确定的 15% 切片交给病理医生,其余切片“自动报告”,但每份报告仍由病理医生负责。另有三类警示说明理由:1% 附近可能高估、50% 附近可能低估,或分析到的肿瘤细胞太少。
数据来自单一医院 University Hospitals Coventry and Warwickshire:152 名患者的 154 张切片(平均年龄 70 岁,女性占 65%),均用 SP263 抗体染色,并在同一台 Philips 扫描仪上数字化。45% 的切片 TPS 低于 1%,14% 的切片 TPS 不低于 50%。细胞级标注覆盖 42 张切片、50,615 个细胞核,其中阳性肿瘤细胞仅占 6.2%。三位病理医生(主任级与培训阶段)在盲法下独立评分,参考标准为三人平均值。主要分析针对训练中从未使用过的 114 张切片;模型和每位病理医生还分别与另外两位读片者的平均值比较。外部验证使用公开的 IGNITE 数据集(荷兰奈梅亨与意大利内格拉尔):来自 21 名患者的 98 个区域,用 E1L3N 或 SP263 染色,由另外三台扫描仪采集。
结果
在 114 张切片上,平均绝对误差(MAE,即与参考值之间以百分点计的平均差距)为 6.70 个百分点,而两位病理医生之间的平均差距为 6.41。与另外两位读片者的平均值相比,三位病理医生分别为 4.24、5.49 和 8.29,模型为 6.96:比单个病理医生高 0.95 个百分点(95% 置信区间 −0.53 至 2.48)。模型会低估高分(平均偏差 −5.0 个百分点)。
核心结果在于不确定性。它与模型误差相关(Spearman 相关系数 ρ = 0.77),也与病理医生之间的分歧相关(ρ = 0.71)。不确定性最低的四分之一切片平均误差为 0.6 个百分点,最高的四分之一则为 16.4。转交 17 张切片(14.9%)后,其余 97 张的误差降至 4.96,与病理医生在同一批切片上的相互差距(4.93)相当。
在临床阈值上,情况更复杂。在 50% 阈值,模型分错 5.6% 的切片,单个病理医生为 6.1%;在 1% 阈值,分别为 19.9% 和 17.5%。50% 阈值的敏感度(真正 ≥ 50% 的切片被正确识别的比例)为 16 张中的 10 张,而分诊并未改善这一点:它转交了 6 个假阴性中的 4 个,但同时也转交了 10 个真阳性中的 8 个。换算成临床语言(基于这些小样本的我们自己的计算):在 1,000 张同类切片中,约 140 张高于 50%,单靠模型会把其中约 50 张判为低于 50%——如果无人复核,这就意味着同样数量的患者可能错过单药免疫治疗的讨论。
在外部数据上不重新训练时,MAE 升至 21.12:在使用开发阶段抗体 SP263 染色的区域为 11.06,而在训练中从未见过的 E1L3N 上高达 29.66。微调(fine-tuning,即用本地数据进行部分再训练)只能将其降到 19.05。不确定性排序依然有用:转交 10% 至 50% 的区域后,剩余病例的误差从 20.5 降至 12.4。
做得好的地方
第一,问题问对了。论文没有声称要取代病理医生,而是追问自动给出的数字何时可信,并用一个简单指标给出答案:15 个模型之间的分歧同时预测了机器的误差和人类的分歧。每条警示都附有可读的理由,使其成为复核工具而非黑箱。
第二,与读片者的比较是公正的。模型与每位病理医生按同一方案评判,即都与另外两人的平均值比较,并给出置信区间;使用原始评分(有三个评分事后被修正)的结果也在补充材料中公布。
第三,坏消息写在正文里:E1L3N 上的性能崩塌、50% 阈值的敏感度偏低、两分支融合在适配后反而不如单独检测分支、标注类别不平衡。外部数据集是公开的,便于独立比较。
不足之处
第一,广义上的人群偏倚。一家医院、一种抗体、一台扫描仪、114 张评估切片:对于一个要在使用其他抗体(22C3、E1L3N)和其他扫描仪的实验室中应用的工具来说,范围太窄。外部验证证实了这一点:误差增至三倍,而由于抗体、中心和扫描仪同时变化,无法判断究竟是哪个因素造成的。开发数据不公开,代码要到论文被接收后才会发布。
第二,警示规则调参中的信息泄漏。规则和 15% 的转交比例都是在用来衡量其效果的同一队列上确定的;在外部验证中,部分阈值甚至是根据模型在测试集本身上的输出重新计算的。因此,报告的富集效果(在 1% 阈值被标记的切片中假阳性占 33%,而整体平均为 11.4%;在 50% 阈值为 8 张中的 4 张)偏乐观,作者自己也称之为探索性结果。
第三,具有误导性的指标。将近一半的切片低于 1%,在这一区间绝对误差天然很小:平均 MAE 因此美化了模型,而最关键的决策恰恰发生在 50% 以上,那里的敏感度只有 0.63(基于 16 张切片)。研究没有开展有无该工具辅助的读片者对照研究。利益关系方面,共同作者 David Snead 是数字病理公司 Histofy Ltd 的股东和董事;申报的资助来源为华威大学的博士奖学金。Virchow2 以非商业许可(CC BY-NC-ND 4.0)发布,这会使现有形式的商业应用变得复杂。
带来的改变
对研究界而言,这项工作有益地把问题从“平均误差是多少?”转向“哪一个估计需要复核?”。模型不确定性与人类分歧之间的关联不仅适用于 PD-L1,也适用于病理学中其他半定量评分,如 Ki-67 或 HER2。作者宣布的下一步方向是正确的:事先固定规则、使用新切片、多中心、比较有无警示时病理医生的表现。
对临床医生而言,目前没有任何变化:这是一个回顾性评估的研究原型,没有任何监管认证。这项研究更重要的提醒是:人工 TPS 在阈值附近本身就不确定,而一个低估高分的工具若不经复核使用将是危险的。
对患者而言,长期的前景是更可重复的评分,以及把人类的注意力集中在真正模棱两可的病例上。但在一个不使用考文垂同款抗体和扫描仪的实验室里,这套系统在现有状态下会经常出错,必须先在本地完成验证。
延伸阅读
预印本:Automated PD-L1 Tumor Proportion Scoring with Uncertainty-Guided Triage in Non-Small Cell Lung Cancer,Xu、Azam、Kaur 等,University of Warwick(Tissue Image Analytics Centre)、University Hospitals Coventry and Warwickshire、University Hospitals Birmingham、Royal Derby Hospital 与东华大学(Donghua University),arXiv(cs.CV),2026 年 11 月 12 日提交,DOI 10.48550/arXiv.2611.16907。未经同行评审。
外部数据:Zenodo 上的 IGNITE data toolkit。基础模型:Hugging Face 上的 Virchow2。
Tatakoto 相关文章:切片质量:病理 AI 的前提,以及 LungAI 与肺结节重新分级。
编辑透明度说明:本文由 Tatakoto 自动化编辑流程根据预印本第 1 版(arXiv PDF,正文及补充材料)撰写。“每 1,000 张切片”的换算是我们根据已发表比例计算得出的,基于较小样本。英文、西班牙文和中文版本由 AI 生成。发现错误?请联系我们。