IF58.7｜微调病理基础模型实现肺癌EGFR突变计算生物标志物

大规模真实世界数据验证AI病理模型，前瞻性试验减少43%快速分子检测需求。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

肺癌是全球癌症死亡的主要原因，EGFR突变状态对肺腺癌患者靶向治疗决策至关重要。传统检测依赖PCR或下一代测序，但PCR准确性有限且消耗组织，NGS耗时且成本高。数字病理切片结合人工智能为无创、快速、保留组织的生物标志物检测提供了新途径。近年来，病理基础模型在多种任务中展现出强大泛化能力，但针对特定临床生物标志物的微调及其在真实世界中的部署效果尚缺乏系统验证。本研究利用大规模国际多中心肺腺癌H&E切片数据集，开发并前瞻性评估了一个微调的基础模型，用于预测EGFR突变状态。

科学问题

卡在哪里： 尽管计算病理模型在回顾性研究中表现良好，但其在真实临床工作流程中的实用性尚未得到证实。现有模型多基于单一机构数据，缺乏跨中心泛化验证；且未评估其对临床决策流程（如减少分子检测数量）的实际影响。

本文要回答： 开发一个基于微调病理基础模型的EGFR突变预测工具，并在真实世界前瞻性试验中验证其临床效用和跨中心泛化能力。

技术路线

作者主要用了：病理基础模型微调、多中心队列、前瞻性无声试验、ROC分析。

作者首先收集了来自多个国际中心的8,461例肺腺癌H&E全切片图像，构建大规模训练和验证数据集。然后对开源的UNI病理基础模型进行微调，使其专注于EGFR突变预测任务。模型在内部测试集和多个外部中心进行回顾性验证，评估跨中心泛化能力。最后，在一项前瞻性无声试验中，将模型部署于真实临床流程，对连续入组的原发肺腺癌样本进行实时预测，并与常规分子检测结果比较，同时模拟AI辅助工作流程对减少快速分子检测数量的影响。

核心亮点

亮点 1｜微调模型跨中心性能优异

微调后的模型在内部测试集上平均AUC为0.847，在多个外部中心测试集上平均AUC达到0.870，显示出良好的跨中心泛化能力。模型对原发灶和转移灶样本均具有临床级准确性，表明其不受样本来源限制。与原始基础模型相比，微调显著提升了EGFR突变预测性能，证实了任务特异性微调的必要性。

亮点 2｜前瞻性试验验证临床实用性

在前瞻性无声试验中，模型对连续入组的原发肺腺癌样本预测EGFR突变的AUC为0.890，与回顾性结果一致。模拟AI辅助工作流程显示，在保持当前临床标准性能的前提下，可减少多达43%的快速分子检测需求，从而节省组织样本并降低成本，同时加快检测周转时间。

亮点 3｜大规模多中心数据构建

研究整合了来自北美、欧洲和亚洲多个中心的8,461例肺腺癌H&E全切片图像，涵盖不同扫描仪、染色协议和患者人群。这一大规模、多样化的数据集为模型训练和验证提供了坚实基础，增强了模型的鲁棒性和泛化能力。

亮点 4｜AI辅助工作流程优化检测策略

通过设定模型预测阈值，将患者分为高风险和低风险组。低风险组可避免不必要的快速分子检测，直接进行NGS确认；高风险组则优先进行快速检测。该策略在保持高灵敏度的同时显著减少了快速检测数量，展示了AI在优化临床资源分配中的潜力。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 病理基础模型微调、多中心队列、前瞻性无声试验、ROC分析
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事计算病理、肿瘤生物标志物研究或临床转化的人工智能与生物信息学研究者。

带走一句

微调病理基础模型可显著提升特定生物标志物预测性能，并在真实世界前瞻性试验中展现临床价值，为AI辅助病理诊断的落地提供了范式。