人工智能辅助宫颈胃型腺癌的组织病理学诊断：一项多中心模型开发与验证研究

宫颈胃型腺癌（GAS）是宫颈癌中最具侵袭性的亚型之一，且常因形态学模糊而被漏诊，导致诊断延迟。尽管已有分子和基因组检测方法，但其高成本、复杂性和有限的可重复性限制了临床应用。因此，本研究提出一种基于H&E染色组织病理学图像的高敏感性人工智能（AI）辅助诊断系统。我们纳入了2018年1月至2025年1月在北京大学第三医院收集的96例GAS病例的309张切片，这是迄今报道用于AI研究的最大GAS队列。此外，我们纳入其他形态学相似的疾病，共1,320张切片，来源包括四个类别：正常宫颈黏膜（NORM），良性宫颈内膜病变（BELE），HPV相关腺癌（HPVA）和伴黏液分化的子宫内膜样癌（ECMD）。我们开发了GASPath，其基于一种新颖的多示例学习框架，能高效捕捉H&E染色图像中的细微形态学变化。除内部验证外，GASPath在12个独立回顾性队列中评估，并在2024年3月至2025年4月期间超过7,000份样本中进行了大规模真实世界验证。在三个阶段中，GASPath均表现出高性能。内部验证（I期）中，准确率达0.980（95%CI 0.977–0.983），ROC-AUC达0.995（95%CI 0.994–0.997）。外部验证（II期）中，敏感性达0.902，采用所提策略后提高至0.968。对于活检样本，GASPath的ROC-AUC达0.990（95%CI 0.984–0.997）。在大规模真实世界部署（III期，n=7,056）中，GASPath实现了0.953的平衡准确率，GAS检测敏感性达100%（45/45例正确识别）。热图突出了GAS容易被低估的形态学特征，如不规则、成角的腺体，轻微的核极性丧失和轻度细胞异型性，这些特征与其他诊断类别有显著的形态学重叠。GASPath能够在常规H&E染色切片中实现高敏感性检测GAS，无需大量辅助检测，同时防止漏诊和误诊。这一进展填补了关键空白，在不牺牲准确性的前提下简化了诊断流程。其实施可实现经济高效、可扩展的AI辅助诊断，可能改变这种侵袭性癌症亚型的早期检测和管理。