《自然·医学》：高准确率AI读片识突变！新型AI模型基于常规病理切片检测EGFR突变，临床环境中AUC近0.9

在肺腺癌的治疗中，EGFR突变是个重要“坐标”，它决定了患者是否能使用效果显著的EGFR靶向药物。因此，在确诊后尽快检测EGFR状态，是精准治疗的关键一步。

但现实却不尽如人意。传统的EGFR检测方法，如聚合酶链式反应（PCR）或下一代测序（NGS），都需要一定量的肿瘤组织。而肺穿刺活检通常只能获取极少的样本，有时甚至连一次完整的基因检测都无法完成。

更棘手的是，PCR或NGS的分子检测往往耗时数天甚至数周，可能延误最佳治疗时机。在全球范围内，约四分之一的肺癌患者没有接受EGFR检测，原因很多，但取不到足够的组织、流程太慢是最常见的技术瓶颈。

有没有可能，仅靠一张常规病理切片——也就是染色后的组织照片，就能“看出”基因突变？

答案是：可以，借助AI之力！

近日，美国西奈山伊坎医学院和美国纪念斯隆-凯特琳癌症中心的研究团队完成合作，在Nature Medicine上正式发布了名为EAGLE的AI模型，它能基于常规病理切片检测EGFR突变，不用额外组织、不需要分子实验室，仅耗时44分钟即可拿到检测结果。更重要的是，它不仅在回顾性数据中表现良好，还在真实临床环境中经历了“实战测试”，AUC值达到0.89。

论文首页截图

为开发一款可在真实临床场景中部署的AI工具，研究团队构建了一个涵盖8461张肺腺癌病理切片的大型多中心数据集，来源包括美国、瑞典、德国等国家的五家医疗机构。

模型命名为EAGLE（EGFR AI Genomic Lung Evaluation），借助开源病理基础模型（Prov-GigaPath ViT-g）进行微调，目标是识别出EGFR突变相关的组织特征。EAGLE以“视觉Transformer+注意力聚合+线性分类器”的结构搭建：大规模视觉Transformer模型负责分析图像；注意力聚合模块整合不同区域的信息；由线性分类器给出一张切片“是否EGFR突变”的预测概率。

模型训练采用了纪念斯隆凯特琳癌症中心（MSKCC）提供的5174张切片，随后在1742张来自同一机构的切片上进行了内部验证，AUC为0.847。在来自其他医疗机构的1484张切片上，模型平均AUC为0.870，说明它能适应不同医院的染色、扫描和取样差异，表现出良好的跨机构和跨设备泛化能力。

特别是在原发肿瘤组织上，EAGLE的表现最为出色，AUC达到0.90。在转移灶中，EAGLE的表现相对逊色，AUC为0.75，提示其在某些组织来源中仍存在性能差异。

更重要的是，这次研究者们没有止步于回顾性测试，而是真正将模型推向临床。

为进一步验证临床可行性，研究团队设计了一项前瞻性“静默试验”（silent trial），即在MSKCC的真实临床环境中运行EAGLE，但不向医生透露AI结果，只用于评估其准确性。试验共覆盖了197例原发肿瘤样本，结果显示模型的AUC达0.890，完全达到临床级别要求。

除准确性外，研究团队还探索了EAGLE模型介入后对现有流程的优化潜力。通过预设筛查阈值，研究团队模拟了“AI辅助筛查流程”：当模型判定阳性或阴性概率极高时，可跳过快速PCR检测，仅对中间灰区样本进行补测。模拟数据显示，该策略可减少43%的快速检测需求，同时保持与传统流程近似的阴性预测值（NPV 0.952）与阳性预测值（PPV 0.981）。

除此之外，EAGLE的出报告速度远超传统方式。从组织扫描到生成结果，中位耗时仅44分钟，而快速PCR约需48小时，NGS测序则需等待2-3周。这种“几乎实时”的判断能力，为早期治疗决策提供了新的可能性。

研究者还对模型在不同扫描设备、不同图像质量和不同突变类型下的表现进行了细致分析，证实其在多个变异亚型中均具备一致的识别能力，并能在图像存在伪影的情况下维持稳定输出。

EAGLE模型的问世，不仅是“看图识基因”概念的一次临床落地，更是AI从实验室走向真实世界的范例。在回顾性验证、外部验证和前瞻性“实战演练”中，EAGLE都表现出色，证明了AI可以成为分子诊断流程的有力助手，为计算病理学树立了一大里程碑。

当然，它并非“取代分子检测”的万能工具——EAGLE不能识别具体突变类型，因此仍需要NGS进行最终确认。但作为初筛工具，它具备成本低、速度快、无创耗的优势，尤其适用于组织有限、资源紧张的临床场景。

未来，该技术还有望扩展到其他肺癌关键突变（如ALK、ROS1、RET）甚至更复杂的治疗反应预测。更大的数据集、更完善的验证流程以及与病理医生的深度协作，将进一步推动AI在临床病理中的全面应用。

用一张切片预判突变风险——这不仅是技术的革新，也是精准医疗向前迈出的关键一步。