欢迎光临888集团网站

新闻资讯
综述:细胞学标本中肺癌分类的人工智能:良性-恶性诊断和ADCSCCSCLC亚型的系统评价与诊断试验准确性荟萃分析
发布时间:2026-08-08
  |  
阅读量:
字号:
A+ A- A

  综述:细胞学标本中肺癌分类的人工智能:良性-恶性诊断和ADC/SCC/SCLC亚型的系统评价与诊断试验准确性荟萃分析

  背景细胞学标本对于肺癌诊断至关重要,然而由于细胞材料有限,区分良性细胞与恶性细胞以及腺癌、鳞状细胞癌和小细胞肺癌的亚型仍然具有挑战性。方法研究人员系统检索了七个数据库,以评估基于人工智能的细胞学肺癌分类研究。经过筛选,纳入了32项研究,其中20项研究贡献了33

  背景细胞学标本对于肺癌诊断至关重要,然而由于细胞材料有限,区分良性细胞与恶性细胞以及腺癌、鳞状细胞癌和小细胞肺癌的亚型仍然具有挑战性。方法研究人员系统检索了七个数据库,以评估基于人工智能的细胞学肺癌分类研究。经过筛选,纳入了32项研究,其中20项研究贡献了33个可分析的两两数据行,用于诊断测试准确性荟萃分析。研究人员使用双变量logit随机效应模型汇总结果。生成了汇总受试者工作特征曲线、Fagan诺模图、用于发表偏倚的Deeks检验以及使用QUADAS-2和人工智能专用工具进行了质量评估。结果对于良性-恶性诊断,包括3464个观测值的18个数据行显示,汇总敏感性为89.3%(95%置信区间,84.1–92.9),特异性为88.5%(95%置信区间,83.2–92.3),曲线%的中位患病率下,人工智能结果阳性后恶性肿瘤的验后概率为91.2%,而阴性结果产生的验后概率为14.6%。对于腺癌、鳞状细胞癌和小细胞肺癌的一对多亚型分类,包括2687个观测值的14个数据行显示,汇总敏感性为77.5%,特异性为89.5%,曲线。小细胞肺癌表现最强(特异性93.2%,曲线),而鳞状细胞癌的敏感性较低(67.0%)。研究间存在显著异质性。Deeks检验提示可能存在小研究效应,所有纳入研究的偏倚风险均较高。结论基于人工智能的细胞学分类在良性-恶性鉴别中取得了较高的诊断准确性,并在组织学亚型分类中表现出有前景但尚不成熟的性能。在常规临床部署之前,需要进行前瞻性外部验证、标准化报告和临床整合的人-人工智能交互研究。

  肺癌仍是全球癌症死亡的主要原因之一,准确的病理分类对于治疗选择、预后判断以及分子和免疫生物标志物检测的合理应用至关重要。人工智能(AI),特别是深度学习,在肺癌诊疗路径中的研究日益增多,但转化为常规实践仍受限于验证、偏倚、工作流程和临床整合障碍。细胞学标本在肺癌诊断中占据特殊重要地位,许多晚期或不可切除患者可能仅能获得小活检和细胞学标本作为主要诊断材料,这些有限样本必须支持形态学诊断、免疫组织化学和预测性生物标志物检测。尽管细胞学标本具有核心临床作用,尤其是在细胞学材料有限的晚期或不可切除肺癌患者中,但相较于基于组织病理学或放射影像的AI应用,AI辅助细胞学受到的系统性关注明显较少。因此,基于细胞学标本的AI肺癌分类的诊断性能、临床适用性、方法学质量和局限性尚未在专门的诊断测试准确性(DTA)荟萃分析中得到全面量化。诊断挑战不仅限于识别恶性病变,当代肺癌分类需要将良性/反应性过程与恶性疾病区分开,并在恶性肿瘤中准确识别腺癌(ADC)、鳞状细胞癌(SCC)和小细胞肺癌(SCLC)。2021年WHO肺肿瘤分类建议,在可能的情况下,将小活检和细胞学中的非小细胞肺癌分类为更具体的类型,如ADC或SCC。这一任务临床重要但困难:一项国际肺癌研究协会(IASLC)细胞学工作组研究发现,常规细胞学对非小细胞肺癌(NSCLC)的亚型分类存在较高比例的非小细胞肺癌-非特指型,且非角化型SCC尤其具有挑战性。基于AI的细胞学模型可能提供可重复的图像或切片级别支持,减少漏诊的恶性细胞,标记疑难病例供专家复核,并改善细胞病理资源不均实验室的一致性。然而,个体研究使用了不同的标本类型、图像单元、验证设计、算法、参考标准和报告指标,因此仅凭孤立准确性报告无法可靠判断AI在肺癌细胞学中的临床价值。在此背景下,鉴于与组织病理学和放射影像应用相比,细胞学聚焦的AI研究相对不足,本系统评价和DTA荟萃分析全面评估了基于AI的细胞学标本肺癌分类。主要目标是估计良性-恶性鉴别的汇总诊断性能,次要目标是总结ADC/LUAD、SCC/SQCC和SCLC一对一亚型分类的性能,评估似然比(LRs)、诊断优势比(DOR)、汇总受试者工作特征(SROC)性能、验后概率变化、阈值效应和小研究效应,并评估研究层面的偏倚风险和适用性。

  本系统评价和DTA荟萃分析在开放科学框架(OSF)注册中心注册(10.17605/OSF.IO/GDXPY),并按照PRISMA-DTA(DTA研究系统评价和荟萃分析的PRISMA扩展版)进行报告。方法围绕透明报告所需的DTA组成部分组织:参与者与标本、指标测试、目标条件、参考标准、研究设计、评估单位、阈值和合成方法。

  研究问题框架如下:人群包括疑似或确诊肺癌背景下的人类细胞学标本或细胞学/标本来源的诊断数据;指标测试为应用于细胞学图像、全切片图像、细胞、斑块、光谱或标本级别特征的AI、机器学习或深度学习模型;目标条件为肺癌细胞学良性-恶性诊断和肺癌亚型分类,包括ADC/LUAD、SCC/SQCC/LUSC和SCLC;可接受的参考标准包括组织病理学、专家细胞病理学共识、临床随访或裁定临床诊断。指标测试的预期临床角色是辅助细胞病理学分流或诊断支持,而非自主替代病理学家诊断、辅助检测或临床放射学关联。

  于2026年5月11日检索了七个文献数据库:Embase、Europe PMC、OpenAlex、PubMed、Scopus、Semantic Scholar和Web of Science。检索概念结合了肺癌术语、细胞学或细胞病理学术语、AI或机器学习术语以及诊断分类或准确性术语。数据库特定检索字符串、检索日期、限制/过滤器和记录产量见补充表S1。

  研究纳入标准为:评估AI、机器学习或深度学习方法对肺癌细胞学标本或细胞学来源诊断数据进行分类的研究。合格诊断目标包括良性-恶性鉴别和ADC/LUAD、SCC/SQCC/LUSC和/或SCLC亚型分类。排除标准包括:仅关注放射影像、仅影像组学、预后、治疗反应、无细胞学分类的突变预测、无细胞学分类的淋巴结分期、仅样本充足性、仅细胞系材料、仅预处理或仅描述方法、混合癌症细胞学无肺癌特异性结果,或缺乏可提取诊断分类结果。按人群、标本、指标测试、目标条件、参考标准、结局、研究类型和语言/日期领域的资格标准详见补充表S2。

  使用可用标识符和文献字段(包括DOI、PMID和标准化标题)对记录进行去重。筛选顺序经过:重复去除;排除非初级或不合格出版物类型;去除与肺癌无关的研究;排除错误模态、错误标本类型或错误终点;最后对基于AI的细胞学或细胞学来源肺癌分类结局进行手动资格复核。研究选择跟踪,包括PRISMA-DTA流程类别和提取数据来源链接,见补充表S3。由两名评审员独立进行标题和摘要筛选,然后对可能符合条件的文章进行独立全文评估。任何阶段的争议通过讨论和共识解决;若无法达成共识,由额外评审员裁定最终决定。

  每项纳入研究提取的研究级别特征包括:研究标识符、国家或地区、设计和设置、细胞学标本和制备、人群和样本量、目标任务、参考标准和来源参考。这些研究特征总结于补充表S4。提取的AI模型和数据集特征包括:模型标识符、算法或架构、输入单元、注释和真实标签级别、训练/验证/测试/外部样本量、阈值规则、验证设计以及代码或数据可用性;总结于补充表S5。数据由两名评审员使用预定义结构化提取字段独立提取,提取信息交叉核对一致性,通过讨论和共识解决差异,必要时由额外评审员裁定。当同一基础研究产生多个出版物、数据集、模型变体或诊断目标时,进行审查以最小化不适当重复并保留正确分析单位。

  使用针对AI诊断准确性研究调整的QUADAS-2领域评估偏倚风险和适用性,包括患者选择、指标测试、参考标准、流程和时间以及整体适用性。AI特异性信号考虑潜在数据泄露、训练和测试数据分离、外部验证、阈值推导以及模型评估是否接近预期临床环境。领域级别和整体判断报告于补充表S6。偏倚风险和适用性评估由两名评审员独立进行,领域级或整体判断的分歧通过讨论和共识解决,必要时由额外评审员裁定。

  对于每个符合条件的诊断测试准确性行,提取的数据包括:诊断目标、标本或数据单位、阈值或决策规则、参考标准、分析单位、荟萃分析纳入决定,以及可用的2×2表组件(真阳性(TP)、假阳性(FP)、假阴性(FN)、真阴性(TN))。良性-恶性DTA行报告于补充表S7,ADC/SCC/SCLC一对一亚型行报告于补充表S8,多类别ADC/SCC/SCLC混淆矩阵提取布局报告于补充表S9。报告但并非总是可直接用作2×2 DTA数据的诊断性能指标,包括准确性、曲线下面积(AUC)、精确率/阳性预测值(PPV)、召回率/敏感性、F1分数、LRs和其他指标,总结于补充表S10。阈值、指标测试和参考标准细节总结于补充表S11。保留每项研究报告的原始分析单位,并明确编码为细胞、斑块/图像视野、全切片、光谱、标本级别或其他明确定义的分析单位。未尝试将不同分析单位数学转换为通用生物学单位。仅当可以在原始研究报告的评估单位提取或重建有效2×2列联表时,诊断行才符合定量合成条件。

  根据预设临床问题和目标类别进行分组分析。主要分析评估基于AI的良性-恶性诊断,次要分析评估ADC/LUAD、SCC/SQCC/LUSC和SCLC一对一比较。大细胞神经内分泌癌(LCNEC)与SCLC的比较作为探索性、非主要亚型比较保留,因数据不足以汇总。分组计划、纳入规则、亚组变量、敏感性分析、模型/阈值规则和计划输出总结于补充表S12。定量汇总主要按诊断目标组织,而非假设不同分析单位等价。因此,细胞、斑块、全切片、光谱和标本级别评估可在提供有效2×2数据时贡献于同一广泛诊断目标合成;但提取和解释时保留其原始分析单位。这些单位在生物学意义、标本内相关性、采样结构、有效样本量以及与最终临床诊断的关系上不同,因此不应视为内在可互换。因此,跨异质分析单位的汇总估计被解释为AI诊断鉴别的广义随机效应总结,而非分析尺度间直接等价的证据。

  对于每个2×2行,计算敏感性、特异性、PPV、阴性预测值、准确性、患病率、阳性似然比(LR+)、阴性似然比(LR-)、诊断优势比(DOR)、约登指数以及敏感性、特异性的精确二项95%置信区间。使用双变量logit随机效应模型估计汇总敏感性和特异性。LR+、LR-和DOR使用对数尺度随机效应荟萃分析汇总。含有零单元格的行在使用Haldane-Anscombe校正进行转换的LR、DOR和logit尺度分析,同时保留原始单元格计数用于制表。

  研究间变异性使用Cochrans Q和适用时的I2总结,使用Moses-Littenberg SROC模型估计SROC曲线和AUC。通过logit敏感性与logit假阳性率之间的Spearman相关评估阈值效应。使用Deeks漏斗不对称回归探索小研究和发表偏倚模式。Fagan诺模图使用汇总患病率作为标准化验前概率进行说明。由于患病率在研究间变化,可能不代表典型真实临床人群,因此所得验后概率被解释为基于场景的汇总LR效应演示,而非直接可转移至个体患者或特定临床环境的估计。计划异质性、亚组和敏感性分析编码包括标本类型、细胞学制备、染色或成像模态、算法家族、验证设计、阈值选择、分析单位和偏倚风险,详见补充表S13。

  DTA结局的证据质量使用与诊断准确性证据相关领域(包括偏倚风险、间接性、变异性/不一致性、不精确性和可能发表偏倚)进行描述;结局级别证据质量概况见补充表S14。数据提取差异和裁定状态记录在结构化日志中,最终值在裁定后保留,总结于补充表S15。TP、FP、FN、TN、敏感性、特异性、LRs、DOR、零单元格连续性校正和独立数据集编码的操作定义和公式见补充表S16。

  检索识别出7个数据库的3938条记录。去除824条重复后,剩余3114条记录。筛选排除698条非初级或不合格出版物类型,留下2416条原始研究样记录。进一步排除1210条非肺癌或仅关注其他癌症或与人类肺癌诊断分类无关的记录。在1206条肺癌相关记录中,排除993条因错误模态、标本类型或终点,留下213条候选细胞学或标本相关记录。手动资格复核排除181条记录,最终纳入32项研究用于最终审查(图1)。

  18个良性-恶性DTA行,包括3464个观测值,进行了荟萃分析。个体研究敏感性范围广泛,但双变量汇总敏感性为89.3%(95%置信区间(CI),84.1–92.9%),汇总特异性为88.5%(95% CI,83.2–92.3%)。异质性显著,敏感性I2为86.3%,特异性I2为76.5%(图2)。SROC分析显示良性-恶性诊断的全局区分能力较强,Moses-Littenberg SROC AUC为0.952,双变量汇总点对应敏感性89.3%和特异性88.5%。预测区域宽于置信区域,表明研究间变异性和未来研究性能可能因环境、标本类型和验证设计而异(图3)。LR合成显示LR+为7.42(95% CI,5.07–10.85),LR-为0.12(95% CI,0.08–0.19),DOR为71.16–71.2(95% CI,约35.6–142.1)。这些值表明AI测试结果与良性-恶性状态之间存在强关联,尽管LR+仍低于常规阈值10。Deeks漏斗不对称检验在良性-恶性分析中显著(p=0.031),而阈值效应检验未显示统计显著阈值模式(Spearman rho=0.27,p=0.278)(图4)。用于说明的Fagan分析中,使用汇总良性-恶性患病率58.2%作为标准化验前概率。在此指定场景下,AI阳性结果将恶性肿瘤验后概率提高至91.2%,而阴性结果将其降低至14.6%(图5)。由于贡献研究在人群特征、病例选择、标本类型、临床环境和分析单位上存在异质性,汇总患病率不应视为代表单一典型真实临床人群,因此这些验后概率是说明性的,不应直接应用于个体患者或临床环境,除非先应用适当的特定环境验前概率。

  在20项独特DTA贡献研究中,所有研究整体偏倚风险均评为高。患者选择偏倚风险在17项研究中为高,3项为不清楚。指标测试偏倚风险在18项中为高,1项不清楚,1项低。参考标准偏倚风险在18项中为低,2项不清楚。流程和时间在19项中为不清楚,1项低。整体适用性关注在18项研究中为低,2项高(图9)。

  本系统评价和DTA荟萃分析发现,基于AI的细胞学分类在肺癌良性-恶性鉴别中具有较高汇总诊断性能,且在ADC/LUAD、SCC/SQCC和SCLC亚型分类中表现出有前景但更异质的性能。良性-恶性汇总AUC为0.952,敏感性89.3%,特异性88.5%,LR-为0.12,DOR约71,表明具有临床意义的鉴别能力。Fagan分析进一步说明,在指定验前概率场景下,AI输出可显著改变诊断概率。然而,由于汇总患病率来自具有不同临床环境、患者选择机制、标本类型、疾病谱和分析单位的异质研究,不应解释为普遍代表性临床患病率,因此计算出的验后概率演示了汇总LR在说明性场景下的诊断含义,而非直接可转移至个体患者或实验室的估计。在临床应用中,应使用特定人群和诊断环境适当的验前概率重新计算验后概率。

  良性-恶性结果与先前关于AI辅助肺癌诊断在放射影像中的荟萃分析证据总体一致。Liu等报告了AI辅助肺癌诊断(主要基于CT研究)的汇总敏感性0.87、特异性0.87、LR+6.5、LR-0.15、DOR 43、SROC AUC 0.93。本细胞学聚焦估计在敏感性、LR-、DOR和AUC方面相似或略强。这一比较令人鼓舞,但临床环境不同:CT-based AI通常处理病灶检测或影像诊断,而细胞学-based AI评估已获取用于病理诊断的标本中的细胞形态学,因此细胞学AI最好被视为病理辅助工具而非筛查替代。

  这些发现也与细胞学中的个体AI研究一致。Teramoto等使用渐进式增长生成对抗网络增强肺癌细胞学图像分类,报告总体准确性85.3%,比之前无GAN预训练方法高约4.3%。Xie等评估了弱监督深度学习在胸水细胞学全切片图像上的应用,报告准确性91.67%、敏感性87.50%、特异性94.44%、AUC 0.9526,与本汇总良性-恶性AUC紧密平行。这些一致性支持AI辅助细胞学识别恶性细胞的生物学和技术合理性。

  亚型分类结果更为混合。SCLC显示最强纳入规则性能,特异性93.2%、LR+12.21、DOR 70.9、AUC 0.949。这一特征表明,AI阳性SCLC输出可能有助于优先安排紧急专家确认、神经内分泌标志物复核和适当临床分流。ADC/LUAD分类相对平衡,但SCC/SQCC敏感性较低,为67.0%,这与已知常规细胞学诊断难度一致。IASLC细胞学工作组报告仅53.7%的响应实现了细胞学亚型分类一致,且无角化LUSC的欠佳识别仍是主要障碍。因此,此处观察到的较低SCC/SQCC敏感性可能不仅反映AI局限性,也反映了细胞学标本中固有的形态重叠和有限特征。

  与基于组织病理学的AI相比,细胞学AI成熟度较低。应用于活检或全切片组织学的深度学习模型在某些环境中已实现非常高性能。Kanavati等报告了将经支气管肺活检不确定全切片图像分类为ADC、SCC、SCLC和非肿瘤类别的AUC为0.99,使用额外外部测试集。Yang等开发了六种类型组织病理学分类器,包括肺ADC、SCC、SCLC、肺结核、机化性肺炎和正常肺,实现多队列AUC分别为0.970、0.918、0.963和0.978。这些组织学研究受益于结构信息、更广泛组织背景和通常更成熟的数字病理学管道。相比之下,细胞学包括分散细胞、可变制备类型、重叠炎症和反应性变化以及更少标准化公共数据集。

  异质性的另一个来源是AI性能评估的分析尺度。个体细胞和斑块级别模型对局部图像内容进行分类,可能包含来自同一患者或标本的多个相关观测值,而全切片和标本级别系统更接近病例级别临床决策。光谱方法引入额外区分,因为预测可能基于高维光学或分子特征而非传统细胞形态学。因此,这些方法不可直接互换,数值上相似的敏感性或特异性估计可能因评估单位不同而具有不同临床意义。随机效应合成因此提供了跨可用AI-细胞学文献的广泛总结,而非建立细胞、斑块、全切片、光谱和标本级别系统之间的等价性。未来证据合成将受益于足够大的证据基础,允许按分析单位、标本制备、成像模态和验证设计进行单独荟萃分析。

  本综述的主要关注点是方法学质量。所有20项DTA贡献研究整体偏倚风险均为高,主要由于患者选择、指标测试设计、验证局限和不确定的流程/时间。高异质性进一步表明汇总估计不应解释为所有实验室可预期的固定性能。许多AI研究仍为回顾性、内部验证、以算法为中心而非以工作流为中心。这反映了肺癌AI转化中的更广泛关注点,其中稳健多中心验证、公平性、数据共享、监管准备和临床整合仍是核心障碍。

  临床上,AI在肺癌细胞学中最现实的近期角色是作为辅助而非自主诊断系统。AI可能有助于预筛选切片、识别高风险视野、分流病例供快速病理学家复核、支持经验较少的观察者、减少高流量实验室的假阴性以及提供良性-恶性鉴别的第二阅读功能。对于亚型分类,AI输出应与细胞形态学、免疫细胞化学、细胞块发现、分子检测需求和临床放射学背景整合。

  未来研究应从回顾性算法评估转向前瞻性、多中心临床验证。数据集应包括多样化的细胞学制备、染色、扫描仪、机构和患者人群,并明确分离训练、验证和外部测试队列。亚型分类模型应开发为校准的多类别工具,而非仅依赖一对一分析,并报告类别级别混淆矩阵、置信度分数、拒绝/不确定病例以及在低细胞学或诊断困难标本中的性能。需要开展人-人工智能交互研究,以确定AI是否改善细胞病理学家性能、周转时间、观察者间一致性和分流效率。未来工作还应评估与免疫细胞化学、细胞块评估、分子检测工作流和多模态临床数据的整合。联邦学习和隐私保护模型开发可能有助于克服多机构数据共享障碍。报告应遵循当前AI和诊断准确性指导,包括透明模型开发、校准、外部验证、失败分析和公平性评估。TRIPOD+AI及相关报告倡议为机器学习模型的透明报告提供了有用指导。

  本综述有几个局限性。首先,32项纳入研究中仅20项贡献了可分析DTA数据,荟萃分析依赖于提取的2×2行而非统一患者级别数据集。其次,在标本类型、制备技术、染色或成像模态、扫描仪平台、AI架构、验证设计、参考标准和分析单位方面存在显著异质性。特别是细胞、斑块、全切片、光谱和标本级别模型在采样结构、标本内相关性、有效样本量、生物学解释和与最终临床诊断决策的接近程度上不同。尽管提取时保留原始分析单位,但一些异质单位在有效2×2数据可用时贡献于同一广泛诊断目标合成,因此所得汇总估计应视为广义随机效应总结,而非不同分析单位直接可比或临床可互换的证据。第三,多个亚型行非独立,因为多个一对一亚型类别结果来自同一多类别源研究。第四,类别特异性亚组样本量较小,尤其是SCLC,使得阈值和发表偏倚分析为探索性。第五,LCNEC/SCLC结果基于单个行,无法汇总。第六,良性-恶性Deeks检验提示可能的小研究效应或发表偏倚。此外,Fagan诺模图使用汇总患病率作为标准化说明性验前概率,鉴于人群、病例选择、标本和诊断环境的显著异质性,该汇总患病率可能不代表常规临床实践,因此相应验后概率应视为说明性而非直接可推广。最后,所有DTA贡献研究整体偏倚风险均为高,限制了对直接临床推广性的信心。

  基于AI的细胞学标本肺癌分类在良性-恶性诊断中显示高汇总准确性,并在ADC/LUAD、SCC/SQCC和SCLC亚型分类中表现出有前景的性能。SCLC具有最强纳入规则特征,而SCC/SQCC仍是最具挑战性的亚型。尽管诊断性能令人鼓舞,但显著异质性、高偏倚风险、小类别特异性证据基础和有限外部验证阻止了立即常规临床采用。目前AI应被视为辅助细胞病理学工具,在临床部署前需要进行前瞻性验证、标准化报告和基于工作流的评估。