芝加哥——一项全球研究表明，人工智能（AI）辅助似乎提高了病理学家识别乳腺癌组织中HER2低表达或超低表达的准确性，这可能会减少错过有效HER2靶向治疗的机会。
巴西圣保罗A.C. Camargo癌症中心的Marina De Brot博士报告称，将AI作为培训计划的一部分来辅助病理学家对乳腺癌样本进行HER2评分，与未使用AI相比，HER2低表达或超低表达病例被误分类为HER2阴性（完全缺乏HER2表达）的情况相对减少了24.4%。
在虚拟新闻发布会上，De Brot展示了研究结果。她表示，在使用AI辅助的情况下，只有3.9%的全切片图像免疫组化（IHC）读数不准确，而没有AI辅助时，10.9%的读数不准确。该发布会是在下周即将举行的美国临床肿瘤学会（ASCO）年会之前举行的。
De Brot说，提高HER2评分的准确性对于治疗具有重要意义。通过减少HER2低表达和超低表达病例被误分类为HER2阴性的情况，可以使更多患者有机会接受有效的HER2靶向抗体-药物偶联物（ADC）治疗。
ASCO首席医疗官兼新闻发布会主持人Julie R. Gralow博士表示，AI有可能减轻病理学家的工作负担，同时提高患者护理质量。
“随着抗HER2靶向疗法的越来越多应用，特别是在HER2低表达和超低表达人群中，通过准确的HER2分类，患者现在可以接触到潜在改变生命的药物。”她说。
在DESTINY-Breast06试验中，ADC trastuzumab deruxtecan（Enhertu）显著提高了先前治疗过的激素受体阳性/HER2低表达或超低表达转移性乳腺癌患者的无进展生存期，从单独化疗的8个月提高到13个月，从而扩大了该人群的批准范围。
病理学家在评估HER2低表达和超低表达乳腺癌时的不一致率可达到30%。“我们的结果显示，在近2000次读数中，病理学家在AI支持下比没有AI支持时更接近参考IHC评分，”她说。“我们还看到，有了AI支持后，病理学家之间的一致性有所提高。”
该研究比较了20个数字IHC染色乳腺癌样本在有和没有AI辅助下的HER2评分，并与“金标准”IHC评分进行了对比，这些评分由来自多个机构的专家乳腺病理学家组成的中央参考中心定义。所有病理学家都应用了2023年ASCO/美国病理学家学院指南，其中包括HER2低表达和超低表达乳腺癌的定义。HER2低表达定义为IHC评分为1+或2+且荧光原位杂交结果为阴性。HER2超低表达特征为IHC评分为0，但肿瘤细胞中有超过0%但不超过10%的染色。
共有来自亚洲和南美洲10个国家的105名病理学家参与了这项研究，他们在HER2评估方面具有不同程度的经验。在五次会议期间，病理学家进行了1,940次读数，这些读数在三个独立的考试中完成。在第一次手动读数考试后，他们接受了评分讲座，然后进行了第二次手动测试，并讨论了前两次测试的结果。之后，他们进行了第三次带有AI支持的测试。
在AI支持下，HER2低表达评分的敏感性从约78%提高到90%，病理学家与中央参考评分的一致性提高了约13%。平均而言，使用AI辅助后，病理学家与中央参考评分的一致性从76.3%提高到89.6%。
正确识别HER2阳性、HER2低表达、HER2超低表达或HER2阴性的准确性从没有AI的90.1%提高到了有AI的95%。AI支持提高了所有HER2临床分类的敏感性，HER2阴性的敏感性从54.08%提高到88.24%，HER2超低表达的敏感性从50.74%提高到93.22%。手动评分时，HER2超低表达的低估率为30.5%，而在AI支持下仅为4.5%。
病理学家在HER2临床分类上的一致性从没有AI的0.494提高到有AI的0.732，而在HER2 IHC评分上的一致性从没有AI的0.506提高到有AI的0.798。
De Brot说，无论病理学家在HER2评估方面的经验如何，评分和分类的准确性都有所提高。
该研究的一个局限性是，由于学习的影响，结果可能存在混淆，因为AI仅在最后一次考试中提供，而手动读数分数汇总了教学课程之前的结果。
(全文结束)
