AI vs 病理学专家,骨髓活检结果分析谁更准确?

图 1. 研究发表^[1]

（一）研究设计与患者队列构建

本研究是一项回顾性、多中心研究，旨在开发并验证用于鉴别 prePMF 与 ET 的 AI 算法。该研究纳入了 2007 年 6 月至 2023 年 5 月于意大利佛罗伦萨大学以及 2020 年 1 月至 2022 年 12 月于美国莫菲特癌症中心确诊的 prePMF 和 ET 患者。通过检索病理报告关键词筛选病例，所有诊断均依据 2022 年 WHO 及国际共识分类（ICC）标准，并经当地血液病理学专家复核确认。此外，该研究还选取诊断性 H&E 染色骨髓活检组织芯，利用 Aperio AT2 全切片扫描仪（Leica Biosystems）以 40 倍放大倍数进行数字化处理，构建了全切片图像数据集。

图 2. MPN 的 AI 分类、解释及疾病预测策略示意图。该 AI 框架基于意大利佛罗伦萨大学治疗的 prePMF 和 ET 患者的数字化骨髓活检图像进行训练，并在美国佛罗里达州莫菲特癌症中心的患者队列中进行了验证。研究开发了一种生成式 AI 模型，用于合成 prePMF 和 ET 疾病状态的图像，以展示由分类算法确定的关键形态学特征。此外，血液病理学家还对真实图像与生成图像进行了评估，并将评估结果与 AI 分类模型的性能进行了比较^[1]

（二）prePMF/ET 诊断分类模型开发

该研究采用两阶段策略构建 prePMF/ET 分类方法：首先利用预训练的组织病理学基础模型 RetCCL 进行特征提取^[2]，随后应用注意力机制的多实例学习算法进行分类。该基础模型经 32000 张全切片图像预训练，并针对 MPN 队列进行了适应性调整。其中，引入注意力机制不仅优化了分类性能，还通过赋予图像区域数值评分，从而直观展示了模型决策过程中最具诊断价值的骨髓活检区域。同时，该模型以佛罗伦萨队列作为训练集，莫菲特癌症中心队列作为外部验证集，并利用约登指数最大值确定最终分类阈值。值得一提的是，该研究还开发了条件生成对抗网络（cGAN）以合成代表性组织学图像，以辅助解析模型识别的细微形态学特征。

（三）AI 模型与病理学家判读的一致性评估

为评估 AI 模型与人类专家判断的一致性及决策依据，该研究还邀请三名血液病理学家对 80 张图像瓦片进行了盲法判读。该图像集包含模型预测正确且注意力评分最高的真实图像及合成图像，涵盖 prePMF 和 ET 各 20 张。具体而言，病理学家需在不知晓图像来源及真实标签的情况下做出诊断。同时，该研究还通过计算一致性百分比并应用 Fisher 精确检验，对比分析了病理学家与 AI 模型在诊断结果上的差异情况。

（一）AI 模型在骨髓活检图像鉴别 prePMF 与 ET 中的性能评估

该研究成功构建了一种基于 AI 的分类模型，旨在区分 ET 与增殖期 PMF，并在多中心数据集中验证了其有效性。模型最初在佛罗伦萨大学的 100 例 prePMF 和 100 例 ET 样本上进行 5 折交叉验证训练，表现出优异的内部性能，其受试者工作特征曲线下面积（AUROC）均值达到 0.90，平均精度（AP）为 0.91。随后，该研究利用莫菲特癌症中心的独立外部队列（6 例 prePMF/20 例 ET）对模型进行了验证，结果显示模型的 AUROC 为 0.88，平均精度为 0.81，这一数值显著优于基线水平的 0.23，证明了该 AI 模型具备良好的泛化能力与稳定性。

表 1. 佛罗伦萨大学队列患者的基线特征和实验室变量^[1]

在最终的临床诊断效能方面，该研究通过约登指数最大值确定了最佳分类阈值，实现了敏感性与特异性的平衡。在外部验证集中，该分类模型预测 prePMF 的特异性高达 100%，准确性为 92.3%，敏感性为 66.6%。研究结果表明，该深度学习模型能够通过分析骨髓活检图像，高效且准确地鉴别 prePMF 与 ET，无需复杂临床参数辅助，为 MPN 的精准分类提供了极具价值的辅助工具。

图 3. prePMF/ET 分类模型的性能评估。（a-b）在意大利佛罗伦萨大学治疗的训练队列中，该模型经 5 折交叉验证，AUROC 为 0.90 ± 0.04，AP 为 0.91 ± 0.05。（c-d）在美国莫菲特癌症中心治疗的患者队列中进行外部验证时，该 prePMF/ET 分类器的 AUROC 为 0.88，AP 为 0.81。外部队列的基线 AP 为 0.23，反映了该不平衡队列中前纤维化期原发性骨髓纤维化的诊断比例^[1]

（二）AI 与病理学专家在诊断 prePMF 或 ET 时依赖不同的组织病理学特征

借助 prePMF/ET 分类模型，该研究旨在探究图像中哪些形态学特征可能会影响模型的性能，并将其与人类评估结果进行比较，以明确 AI 和病理学专家在做出诊断时是否参考了相似的形态学特征。为此，研究人员训练了一个类别 cGAN 来生成合成图像。此前，相关研究已证明，生成的图像可以识别与疾病状态相关的新形态学特征，而这些特征可为人类判读提供信息，进而提高诊断性能^[3]。本研究中，cGAN 基于从训练队列中提取的 40 倍放大图像切片进行训练，而经过充分训练的 prePMF/ET cGAN 则生成了代表 prePMF 和 ET 的 H&E 染色骨髓活检（BMB）高质量合成图像。

图 4. 血液病理学家判读调查所用的图像切片示例。本研究选取了 80 张代表 ET 和 prePMF 的真实及生成图像切片，供病理学专家评估。真实图像切片源自美国莫菲特癌症中心的外部患者队列。生成图像由 prePMF/ET cGAN 成对合成，即利用同一随机种子分别生成高度典型的 ET 样和 prePMF 样图像。因此，这些成对的生成图像在整体组织结构上保持一致，仅在疾病特异性的形态学特征方面存在差异^[1]

通过对比三位血液病理学家与 AI 分类器在诊断 prePMF 和 ET 时的一致性，结果显示，病理学专家与 AI 分类器的总体诊断一致率仅为 45.0%。相较于 AI 生成的合成图像，病理学家在判读真实图像时与 AI 的一致性显著更高（60.8% vs. 29.1%，p < 0.001）。此外，病理学专家对 32.5% 的图像选择了弃权或给出其他诊断，且在面对生成的图像时更倾向于放弃诊断。在病理学专家做出明确诊断的亚组中，其与 AI 的一致率在真实图像上同样显著高于生成图像（76.0% vs. 53.0%，p < 0.01）。这一结果客观表明，在脱离临床信息的单图判读模式下，专家与 AI 模型的诊断逻辑存在显著差异，且 AI 生成的合成图像所呈现的形态学特征可能超出了专家常规的认知范围。

图 5. 血液病理学家对真实与生成图像评估的比较分析。三位血液病理学家对 80 张代表 ET 或 prePMF 的真实及合成图像切片进行判读，任务包括诊断 ET 或 prePMF、放弃诊断或提出其他诊断。所选手动图像均为 AI 分类器正确预测的子集。（a-b）在所有受测图像中，病理学专家对真实图像给出明确诊断（ET 或 prePMF）的比例显著高于生成图像（80.0% vs. 55.0%，p < 0.001）。（c-d）在真实图像子集中，prePMF 与 ET 获得明确诊断的比例无显著性差异（73.3% vs. 86.7%，p = 0.1）；且当病理学专家做出诊断时，两种疾病的准确率亦无显著差异（prePMF 为 75.0%，ET 为 76.9%，p = 1）。（e-f）在生成图像子集中，prePMF 图像获得明确诊断的比例显著高于 ET 图像（68.3% vs. 41.7%，p < 0.01）；此外，在已给出诊断的生成图像中，prePMF 的诊断准确率显著高于 ET（78.0% vs. 12.0%，p < 0.001）^[1]

总的说来，此研究结果揭示了 AI 模型与病理学专家在处理真实与生成图像时的显著认知差异。在真实图像子集中，病理学家在 prePMF 和 ET 两种疾病类型间的弃权率与诊断准确性表现相似，未见统计学差异。然而，在生成图像子集中，病理学专家对生成 ET 图像的诊断意愿显著低于生成 prePMF 图像（明确诊断率分别为 41.7% 与 68.3%，p < 0.01）；同时，其与 AI 分类器的诊断一致率在生成 ET 图像上也远低于生成 prePMF 图像（12.0% vs 78.0%，p < 0.001）。鉴于 AI 模型对所有测试样本均做出了正确预测，这一结果客观表明，生成的 ET 图像中包含了足以支撑 AI 进行准确分类的形态学特征，但这些特征未能被人类专家识别或不足以支持其做出诊断，进一步证实了 AI 与人类专家在形态学特征提取与判读逻辑上存在本质区别。

图 6. 骨髓图像高关注区域分析。（a）代表性 H&E 染色骨髓活检图像及其关联的热力图，展示了 prePMF/ET 分类器生成的注意力评分。在所示的两个示例中，该分类模型均准确识别了基础诊断。图中黄色高亮区域标示了分类器判定对诊断具有显著意义的形态学特征。（b）源自莫菲特癌症中心治疗患者队列的 H&E 染色图像切片，展示了注意力评分最高的前四个区域^[1]

（三）人类对 AI 预测相关形态学特征的识别

该研究通过两种不同的放大倍率层级，系统识别了与 AI 诊断预测相关的骨髓形态学特征。在低倍镜视野下，通过分析 AI 分类器生成的热力图发现，模型主要聚焦于造血区域进行诊断判读，且在所有全切片图像中均有效避开了骨皮质、血凝块、背景及伪影等非诊断性区域，显示出高度的生物学相关性。在高倍镜视野下，研究人员对 40 倍放大的真实与生成图像进行了人工复核，未发现明显的数字化伪影或非生物学特征。初步观察提出了「ET 图像脂肪组织比例更高，而 prePMF 图像细胞密度更高」的假设，并进一步利用经人工注释训练的像素级分类器对这些特征进行了量化验证，从而将 AI 的预测逻辑与具体的组织病理学特征相关联。

（1）基于图像分析的组织形态学特征差异研究

研究利用像素级分类器对 80 张图像进行分析，结果显示 ET 图像中的脂肪组织比例显著高于 prePMF 图像（42.0% vs. 28.9%，p < 0.001）。这一趋势在真实图像子集和生成图像子集中均得到验证，且由于细胞密度与脂肪组织呈负相关，prePMF 图像表现出更高的细胞密度。这表明 AI 模型在区分两种疾病时，有效地捕捉并利用了骨髓活检样本中脂肪组织与造血细胞比例这一关键形态学差异。

（2）生成式 AI 模型对病理特征的放大效应分析

在针对合成图像保真度的进一步分析中，该研究还比较了同种疾病状态下真实与生成图像的组织特征。结果显示，在 ET 图像中，生成图像的脂肪组织比例显著高于真实图像（45.7% vs. 38.2%，p < 0.001），而在 prePMF 图像中未见显著性差异。这一结果提示，生成式 AI 模型在构建图像时存在特征放大现象，即有意强化了脂肪组织含量这一潜在的影像学生物标志物在 ET 中的表现程度，而在 prePMF 中则未观察到类似现象。

图 7. 80 张真实与生成图像中脂肪组织及骨髓细胞密度的定量比较分析。（a）代表性 H&E 染色图像及其预测的区域掩膜，展示了脂肪组织与骨髓细胞密度区域的分割结果。（b-f）表示脂肪组织与细胞密度比例的比较结果：在所有图像（b）、真实图像子集（c）及生成图像子集（d）中，prePMF 图像均表现出较高的细胞密度比例和较低的脂肪组织比例，符合该疾病的病理特征。此外，与真实图像相比，生成的 ET 图像显示细胞密度比例较低且脂肪组织比例较高（e）；而在真实与生成的 prePMF 图像子集之间，各区域的比例分布无显著性差异（f）^[1]