首页 > 文章详情

《Nature Medicine》重磅：AI模型EAGLE实现肺癌EGFR突变实时预测，可减少43%分子检测

2025年12月23日

编译：肿瘤资讯

来源：肿瘤资讯

在非小细胞肺癌的精准治疗时代，EGFR突变检测已成为晚期肺腺癌（LUAD）患者开启靶向治疗的“金钥匙”。然而，临床现实却充满挑战：传统的分子检测流程往往面临“样本瓶颈”——多达25%的活检样本因组织量不足而无法完成二代测序（NGS），而为了追求速度的快速PCR检测又常因灵敏度受限而导致漏检。如何在不消耗宝贵组织的前提下，快速、精准地获取突变信息，成为病理学界亟待攻克的难题。

针对这一临床痛点，今年发表于Nature Medicine的一项里程碑式研究给出了创新解答。研究团队展示了一款名为EAGLE的人工智能（AI）病理基础模型，该模型仅需分析常规的苏木精-伊红（H&E）染色病理切片，即可快速预测EGFR突变状态。在一项极具开创性的真实世界前瞻性“静默试验”中，EAGLE模型不仅展现了卓越的预测性能（AUC达0.890），其引入的AI辅助工作流程更在保证诊断准确性的同时，成功将有创且耗材昂贵的快速分子检测需求降低了43%，从而为NGS检测保留了至关重要的组织样本。这项研究首次在实时临床环境中验证了计算病理生物标志物的效用，标志着计算病理学正从理论算法真正迈向临床实践的新纪元。

研究背景：肺癌EGFR检测的临床困境

肺腺癌（LUAD）是最常见的肺癌类型，其中EGFR基因突变是最普遍的驱动基因突变之一，针对该突变的靶向治疗能显著改善患者预后。因此，准确检测EGFR突变状态对于指导晚期LUAD患者的一线治疗至关重要。
然而，现行的临床检测流程面临诸多挑战：

组织样本有限：肺部活检获取的组织量极小，而诊断和分子检测（如PD-L1、ALK、EGFR检测及NGS）项目繁多，常导致组织耗尽。数据显示，多达25%的样本因组织不足而无法完成NGS检测。
检测周转时间（TAT）长：NGS作为金标准，其TAT长达2-3周，这可能延误患者开始最佳一线治疗的时机。
快速检测的局限性：为缩短TAT而开发的基于PCR的快速检测，虽然速度快，但其准确性低于NGS，且灵敏度有限（约85%-90%），可能导致5%-10%的EGFR突变阳性患者被漏检，从而接受次优治疗。

开发一种不消耗组织、成本低廉且能快速获得结果的EGFR突变计算生物标志物，有望克服当前临床工作流程的瓶颈。

研究亮点：EAGLE模型的开发与多维度验证

为应对上述挑战，研究团队开发了名为EAGLE（EGFR AI Genomic Lung Evaluation）的AI模型。该模型的核心亮点在于其先进的设计与严谨的验证过程：

1. 基于前沿基础模型构建：

EAGLE通过微调一个开源的、先进的病理学基础模型（foundation model）开发而成。这种方法使其能够更好地学习病理图像的深层特征，在特定任务上表现更优，并具备出色的泛化能力。

2. 大规模、多中心的数据验证：

内部验证：模型在包含1,742张切片的内部验证集上，实现了0.847的平均曲线下面积（AUC）。
外部验证：为证明其广泛适用性，模型在来自四个不同国际医疗机构（包括不同扫描仪品牌）的1,484张切片组成的外部队列中进行了测试，获得了0.870的整体AUC，证明了其强大的跨中心泛化能力。
跨扫描仪稳健性：研究还通过定量分析证实，模型对于不同商业扫描仪（Philips, Aperio, Pramana）硬件差异具有高度稳健性，其预测评分在不同设备间具有很强的线性相关性（皮尔逊相关系数0.828-0.935）。

3. 性能的精细化分析：

原发灶优于转移灶：研究明确指出，模型在原发性肿瘤样本中表现更优（AUC 0.90），而在转移性样本中性能有所下降（AUC 0.75）。尤其在淋巴结和骨转移样本中性能较差，这一发现为模型优先应用于原发灶样本提供了清晰的指导。
覆盖所有突变亚型：模型对19号外显子缺失、L858R等所有临床相关的EGFR突变亚型均能有效检出，无显著性能差异。

4. 全球首次真实世界“静默试验”：

严谨的部署策略：在试验开始前，团队先利用一个独立的“审判前队列（pretrial cohort）”进行模拟，并以此为据设定了三种平衡性能与效率的部署阈值。
卓越的真实世界表现：在对197例原发肿瘤样本的实时、前瞻性分析中，EAGLE取得了0.890的AUC，充分证明了其在真实临床场景中的稳定性和可靠性。

核心价值：AI辅助工作流的临床变革

EAGLE模型的应用旨在优化而非取代现有的分子检测流程。其核心价值体现在以下几个方面：

革命性的周转时间（TAT）：在静默试验中，EAGLE模型从获取图像到生成结果的中位TAT仅为44分钟。相比之下，快速分子检测的中位TAT为48.78小时，而NGS长达435.26小时。此外，模型在单张消费级GPU上的中位推理时间仅需68秒，展示了其高效部署的潜力。
显著减少快速检测需求，节约宝贵组织：AI辅助筛查工作流程在确保整体性能不劣于当前临床标准的前提下，能够将所需的快速分子检测数量减少高达43%。这不仅降低了成本，更重要的是为NGS节约了宝贵的组织样本，有望提升NGS成功率。

模型洞察：从“AI之眼”看肿瘤形态学线索

该研究最引人深思的发现之一，来自于对模型错误案例的深入分析，这为理解基因型与表型的关联提供了新线索：

假阳性揭示生物学关联：研究发现，部分被模型误判为EGFR阳性的样本，实际上携带了其他生物学上相似的基因突变，例如ERBB2（HER2）外显子20插入或MET外显子14跳跃突变。这表明模型可能识别了这些不同基因驱动的肿瘤所共有的、相似的形态学特征。
假阴性定义模型局限：模型漏报的EGFR阳性病例通常具有一些共同特征：样本为缺乏肿瘤结构的细胞学涂片、活检样本中肿瘤组织极少，或肿瘤呈现非典型的罕见形态。这清晰地界定了当前模型的局限性，并为未来的优化指明了方向。

结论与展望

本研究成功展示了EAGLE模型作为一种基于H&E切片的计算生物标志物，在真实临床世界中的可行性与巨大价值。它不仅是首个通过前瞻性、实时临床部署验证的此类工具，更为解决肺癌诊断中长期存在的组织不足和检测延迟问题提供了创新的解决方案。

EAGLE模型的成功部署预示着计算病理学将成为精准肿瘤学不可或缺的一部分。未来，这种基于AI的方法有望扩展至ALK、ROS1等其他重要分子标志物的检测，并通过数字化手段将先进的诊断能力普及到资源匮乏地区，使全球更多患者受益。

责任编辑：肿瘤资讯-Nydia
排版编辑：肿瘤资讯-HYF

参考文献

Campanella G, Kumar N, Nanda S, et al. Real-world deployment of a fine-tuned pathology foundation model for lung cancer biomarker detection. Nat Med. 2025 Jul 9. doi: 10.1038/s41591-025-03780-x. Epub ahead of print. PMID: 40634781.