AI前沿|npj Precis Oncol:只看HE切片预测胚系BRCA突变,1025例外部验证AUC 0.81

核心结论： 在 6 个中心 1025 例 HR+/HER2− 早期乳腺癌中，BRCAura 预测胚系 BRCA1/2 突变的 AUROC 为 0.807（切除标本）和 0.824（活检标本），在约 93% 敏感度下排除了 343 例患者，其中 16 例实际是携带者。

大家好~HR+/HER2− 乳腺癌患者要不要查胚系 BRCA1/2，现在主要看年龄、家族史这些条件。问题是，按这些条件筛，人群研究估计会漏掉大约一半的携带者；全部都测，费用、测序和遗传咨询的人手又跟不上。

法国 AI 病理公司 Waiv 想走第三条路：病理科本来就要做的 HE 切片，扫描后让模型先看一遍，把“不太可能携带突变”的人挑出来，剩下的再送基因检测。它的定位是排除，不是诊断。

这篇 10 月 12 日上线的 npj Precision Oncology 论文，是这个模型的多中心外部验证。

先说几个词：

✦胚系突变（gBRCAm）：从父母遗传、全身细胞都带有的突变，区别于只在肿瘤里出现的体细胞突变。

✦AUROC：ROC 曲线下面积，0.5 等于瞎猜，1 是完全分开。

✦敏感度和特异度：敏感度是真携带者被模型留下来的比例；特异度是不携带者被模型排除的比例。

✦AI-WT 和“待定”：BRCAura 只给两种结论。AI-WT 表示不太可能携带，可以不送检；“待定”（Undetermined）表示仍需基因检测。

一张全切片扫描图大约 10 万 × 10 万像素。BRCAura 先识别组织，切成 224 × 224 像素的小块，用病理基础模型 AquaViT（由 H-optimus-0 蒸馏而来）提取特征，再丢掉所有被判为非肿瘤的小块。

剩下的小块各打一个分，模型只保留最高的 10 个和最低的 10 个，汇总成整张切片的分数，分数低于阈值就判为 AI-WT。最终模型是 150 个这样的网络的集成。

训练分两步。胚系突变病例太少，作者先用 TCGA 里乳腺癌、卵巢癌和前列腺癌共 957 张切片，以同源重组缺陷（HRD）评分做预训练；正式训练用的是 Gustave Roussy 的 639 张切片（429 名患者）。

另一个设计是校准。不同医院的染色和扫描仪差别很大，每个新中心只需提供 30 张已知组织学分级的切片，不需要基因结果，模型据此对齐分数分布，阈值就能沿用。

验证数据来自德国、芬兰、西班牙和美国的 6 个中心，用了 4 种扫描仪，训练机构没有参与收集。切除标本 795 例（134 例携带者），活检标本 230 例（108 例携带者），另有每个中心 30 张校准切片不计入结果。

在约 93% 敏感度的阈值下：切除组 AUROC 0.807，特异度 41.0%，阴性预测值 96.9%；活检组 AUROC 0.824，特异度 41.0%，阴性预测值 88.7%。

把 Fig. 2B 的混淆矩阵加起来：343 例被判为 AI-WT，占全部患者的三分之一；这 343 人里有 16 名携带者（切除 9 例、活检 7 例）。242 名携带者中，226 名留在了需要送检的“待定”组。

摘要里写的是排除了“约三分之一的野生型病例”，按混淆矩阵算，被排除的野生型是 327/783，约 42%；三分之一对应的是全部患者（343/1025），正文也是这么写的。

作者把诊断年龄、双侧乳腺癌、性别和家族史评分放进同一个回归模型。切除组里，只用临床变量 AUROC 是 0.585，BRCAura 是 0.807，两者合起来 0.810，加上临床信息几乎没有提升。

活检组不一样：临床变量 AUROC 0.673，合并后从 0.824 升到 0.866，年轻和双侧发病也是独立预测因素。作者的解释是活检组携带者比例高达 47%，多是高危家系，年龄这类传统指标在这种人群里本来就好用。

在法国 Centre Léon Bérard 的 200 例测试队列里，BRCAura 和常用的家族史模型 CanRisk 直接比较，AUROC 分别是 0.80 和 0.60（DeLong 检验 p = 0.00041）。

作者用 24 名患者的连续切片测重复性，每例做 3 张 HE、3 张 HES（苏木精-伊红-藏红）染色。同一块组织不同切片之间，组内相关系数在 HE 是 0.9888，HES 是 0.9926。

同一批切片用两台不同扫描仪扫，校准后阈值附近的偏差明显缩小，比如 CLB 活检组从 −0.179 降到 0.036。

按基因分开看，切除组 BRCA1 和 BRCA2 的 AUROC 分别是 0.788 和 0.808，两者没有显著差异。

热图显示，高分区域不是均匀分布，而是成簇出现。病理医生复核时看到，高分区域多是肿瘤细胞密集、核多形性明显、核分裂多、淋巴细胞浸润明显的实性区；低分区域则以纤维间质为主，肿瘤细胞少，常呈管状结构。

用细胞分割工具定量也是同样的结果：突变预测区域的肿瘤细胞和淋巴细胞更多，野生型预测区域的成纤维细胞更多，6 个中心都一致。这些特征和以往报道的 BRCA 相关乳腺癌形态相符。

作者还翻看了一些假阳性病例：有一例肿瘤带体细胞 BRCA1 移码突变，另有几例携带 PALB2 等其他同源重组基因的胚系突变。模型抓到的可能是更宽泛的 DNA 修复缺陷形态，而不只是胚系 BRCA。作者明确说，现阶段不主张用它检测这些情况。

验证人群本来就是按 NCCN 标准送检过的，又特意加入了更多携带者，所以切除组携带者占 16.9%，活检组高达 47.0%，比普通乳腺癌人群高得多。

作者按 9% 的携带者比例做了模拟：阳性预测值 13.5%，阴性预测值 98.4%。这是按比例换算的结果，不是实测，作者也说需要前瞻性验证。

作者自己列出的局限还有：全部是回顾性数据；没有种族信息，无法判断不同人群表现是否一致；家族史记录不全；没有配对的肿瘤-正常组织测序来区分胚系和体细胞信号。

BRCAura 是 Waiv 的产品，6 位作者是 Waiv 员工。4 位作者是阿斯利康的全职员工并持有股票，原文写明稿件撰写、医学写作支持和结果解读得到阿斯利康支持，同时声明资助方没有参与研究设计、数据分析和投稿决定。

作者之一 Fabrice André 现任欧洲肿瘤内科学会（ESMO）主席，这是无薪职位，他另外申报了多家药企的咨询费和机构资助。

补充一个背景：阿斯利康是 PARP 抑制剂奥拉帕利的厂家之一，胚系 BRCA 突变的早期高危乳腺癌患者可以用它做辅助治疗。这类模型的“排除”功能用得越多，送检的人群也就越集中。

这篇我觉得最有价值的是那张混淆矩阵。AUC 0.81 听起来一般，但模型的用法本来就不是“判断谁有突变”，而是“先放走一部分人”。放走的 343 人里有 16 名携带者，这个数字比 AUC 更值得拿到临床讨论：被模型漏掉的人，可能就错过了 PARP 抑制剂。

能少测三分之一，在测序资源紧张的地方确实有意义。可如果当地本来就能全员检测，这个工具的价值就小很多。另外摘要把“三分之一患者”写成了“三分之一野生型病例”，读原文时值得留意。目前它还是科研用途版本，下一步要看前瞻性、连续入组人群里的表现。