首页 > 文章详情

2025 CSCO报道 | CREDIT研究揭晓：AI辅助CD30免疫组化定量评估模型表现良好

10月17日

整理：肿瘤资讯

来源：肿瘤资讯

9 月 10 日至 14 日，第 28 届全国临床肿瘤学大会暨 2025 年中国临床肿瘤学会（CSCO）年会在济南隆重召开。会上，CREDIT研究关于 AI 模型与专家小组对 CD30 免疫组化（IHC）染色结果判读的一致性分析结果重磅公布，引发了广泛关注。那么，AI 模型与专家小组的判读一致性究竟如何呢？本文将为您详细揭晓。

AI 模型定量评估CD30表达在多种淋巴瘤亚型和IHC方案中表现良好

CREDIT 是一项关于中国淋巴瘤患者 CD30 IHC 结果判读的一致性研究，也是一项多中心、回顾性、观察性研究。研究收集了来自 17 家医学中心的 934 例 CD30 阳性淋巴瘤患者的福尔马林固定石蜡包埋（FFPE）切片样本，采用 VENTANA CD30 检测方案和其他 9 种基于不同抗体和不同平台 IHC 检测方案中的至少一种进行染色^[1]。

该研究采用一种智能病理辅助诊断系统（以下简称“AI 模型”），评估 AI 模型与由3位血液病理学家组成的专家小组在5种淋巴瘤亚型和各种 IHC 检测方案中的 CD30 判读一致性（以专家小组的判读结果作为 CD30 表达判读的金标准）。研究中，采用肿瘤细胞阳性比例评分（TPS）和淋巴细胞比例评分（LPS）作为评估 CD30 表达的指标。通过精确率、召回率和 F1 分数（精确率和召回率的调和平均值）评估 Al 模型的性能。通过组内相关系数（ICC）评估 Al 模型与专家小组的判读一致性，并对一致性结果分级：>0.9 为优秀，0.75-0.9 为良好，0.5-0.74 为中等，<0.5 为较差^[1]。

结果显示，AI 分析集纳入来自 675 例患者的 1277 张组织切片，其中 265 张切片被用作内部测试集（199 张用于开发，66 张用于内部验证），而其余切片构成外部验证集（图 1A）^[1]。

图片1.png

图 1.（A）研究流程图；（B）AI模型整体框架

AI 模型的检测和分类性能优异

在检测和分类方面，B 细胞和 T 细胞模型均表现出了优异的性能。基于内部验证集，B 细胞模型在多类别细胞检测任务中获得：检测 F1 分数 0.901、检测召回率 0.889、检测精确率 0.913、分类 F1 分数 0.735、分类召回率 0.731、分类精确率 0.739；T 细胞模型的相应数值分别为：0.914、0.896、0.932、0.741、0.738和0.744（图 2）^[1]。

图片2.png

图 2. B 细胞模型与 T 细胞模型的性能

在 5 种淋巴瘤亚型中，AI 模型与专家小组的 CD30 判读一致性达“良好至优秀水平”

在 5 种淋巴瘤亚型中，B 细胞或 T 细胞模型与专家小组的判读结果一致性始终保持良好至优秀水平。值得注意的是，从数值上看，基于 TPS 的判读一致性在 B 细胞模型中更优，而基于 LPS 的判读一致性在 T 细胞模型中更优（表 1）^[1]。

对于包含弥漫性大 B 细胞淋巴瘤（DLBCL）和原发性纵隔大 B 细胞淋巴瘤（PMBL）的 B 细胞模型，基于 TPS 判读的一致性表现为优秀，当排除 CD30 低表达（LLE）样本后则降为良好至优秀。对于包含非特指型外周 T 细胞淋巴瘤（PTCL-NOS）、血管免疫母细胞性 T 细胞淋巴瘤（AITL）和结外 NK/T 细胞淋巴瘤（ENKTCL）的 T 细胞模型，无论是否纳入 LLE 样本，均表现出优秀的一致性（表 1）^[1]。

对于 PMBL，无论是否纳入 LLE 样本，基于 TPS 判读的一致性始终表现为优秀。对于 DLBCL，基于 TPS 判读的一致性为优秀，但在排除 LLE 样本后则降为良好至优秀。对于 PTCL-NOS，无论是否纳入 LLE 样本，基于 LPS 判读的一致性始终为优秀。对于 ENKTCL，无论是否纳入 LLE 样本，基于 LPS 判读的一致性均为良好至优秀。对于 AITL，无论是否纳入 LLE 样本，基于 LPS 判读的一致性均为良好（表 1）^[1]。

表 1. 在不同淋巴瘤亚型和免疫组化检测方案中智能病理辅助诊断系统与专家小组对 CD30 表达（CD30 阳性细胞百分比）判读的一致性分析结果（AI 分析集）

图片3.png
图片4.png

在各种 CD30 IHC 方案中，AI 模型与专家小组的判读一致性达“中等至优秀水平”

对于所有 IHC 检测方案，无论是否纳入 LLE 样本，AI 模型与专家小组的判读结果一致性范围均为中等至优秀（表 1）。对于 VENTANACD30 方案，观察到了优秀的一致性，即使排除 LLE 样本后仍是如此。对于 umAB256（ZsBio）+ Leica、Ber-H2（Maixin）+ Ventana BenchMark 以及 Ber-H2（DAKO）+ Ventana BenchMark 方案，同样也观察到了优秀的一致性；不过，排除 LLE 样本后，一致性则降为良好至优秀。对于 Ber-H2（DAKO）+ Leica、JCM182（Leica）+ Ventana BenchMark、Ber-H2（DAKO）+ DAKO、JCM182（Leica）+ Leica 以及 umAB256（ZsBio）+ Ventana BenchMark 方案，观察到了良好至优秀的一致性，且在排除 LLE 样本后仍保持。对于 Ber-H2（Maixin）+ DAKO 方案，一致性为中等至优秀，但排除 LLE 样本后则降为中等至良好（表 1）^[1]。

在比较 B 细胞模型（基于 TPS 评估 CD30 表达）或 T 细胞模型（基于 LPS 评估 CD30 表达）与专家小组对每种染色方案的判读结果一致性的亚组分析中，也观察到了类似结果。具体而言，在基于 TPS 判读的 B 细胞模型和基于 LPS 判读的 T 细胞模型中，对于几乎所有 IHC 检测方案，均观察到了中等至优秀的一致性。然而，在基于 TPS 判读的 B 细胞模型中，Ber-H2（Maixin）+ DAKO 方案是个例外；对于该方案，一致性范围较宽（从较差至优秀），这可能是由于样本量有限所致（表 1）^[1]。

总的来说，这一用于定量评估淋巴瘤 CD30 IHC 染色结果的 AI 模型，在不同淋巴瘤亚型和 IHC 检测方案中均展现出了优异的性能。这些令人鼓舞的积极结果，为进一步在真实世界临床环境中开展更大样本量的研究奠定了基础^[1]。

病理科数智化建设赋能 AI 模型落地

在CD30 IHC 染色结果的判读工作中，传统的人工半定量判读方式面临着耗时、费力以及可重复性方面的挑战。AI 技术的引入为 CD30 IHC 结果判读开辟了全新的路径；正如 CREDIT 研究成果所示，AI 模型在提高结果判读的准确性、一致性和效率方面已初露锋芒，展现出了巨大的应用潜力。

然而，AI 模型的广泛应用离不开病理科数字化、智慧化建设的支撑。目前，我国病理科数字化、智慧化转型尚处于起步阶段，但在政策支持、技术发展及生态圈合作推动下，这一进程正在加速发展。此外，数字智慧病理技术可优化传统病理科工作流程，有望实现如下革新：（1）依托数字信息系统，优化科室协同效率和工作流程管理；（2）结合数字扫描技术，可实现数字化阅片；（3）通过数字图像实现远程应用拓展，引入 AI 技术减少病理医生重复性工作。（4）数字化存储技术可帮助科室建立数字病理图书馆，赋能科研^[2]。

未来，随着病理科数字化、智慧化建设的推进，AI 模型必将在淋巴瘤病理诊断中发挥愈发重要的作用，为精准医疗的发展注入强大动力。

展望

AI 技术的快速发展和普及，为医疗领域注入了新的活力。随着大量高质量数据的积累和算法的迭代，有理由相信 AI 在病理领域的应用（包括辅助定量分析 CD30 IHC 染色结果）前景广阔，将会助力医疗行业迈向更加智能化、精准化的崭新时代，为患者带来更多的福祉。

参考文献

[1] Xiangnan Jiang, Yunfei Shi, Zhihong Zhang, et al. Artificial Intelligence-assisted Quantitative Analysis for the Immunohistochemical Expression of CD30 in Lymphomas. 2025 CSCO.
[2]数字化智慧病理科建设白皮书（2023）.

审批编号：VV-MEDMAT-128010
获批日期：10/2025

责任编辑：肿瘤资讯-Mathilda
排版编辑：肿瘤资讯-LWT

本资讯旨在帮助医疗卫生专业人士更好地了解相关疾病领域最新进展。本平台对发布的资讯内容，并不代表同意其描述和观点，仅为提供更多信息。若涉及版权问题，烦请权利人与我们联系，我们将尽快处理。
本资讯提供的信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议。如该等信息被用于了解资讯以外的目的，本平台、作者及武田不承担相关责任。