《Cytopathology》：What Are Computer-Assisted Methods Achieving in Fine-Needle Aspiration Cytology of the Pancreas? A Systematic Review and Meta-Analysis
编辑推荐：
胰腺恶性肿瘤是重大诊断挑战，当前诊断金标准为内镜超声引导细针穿刺（EUS-FNA）联合细胞病理学评估。由于劳动力短缺，计算机辅助诊断（CAD）因可提升效率受到关注，但其在胰腺细胞学中的整体诊断影响尚不明确。研究人员旨在评估CAD在此场景下的准确性。研究人员开展
胰腺恶性肿瘤是重大诊断挑战，当前诊断金标准为内镜超声引导细针穿刺（EUS-FNA）联合细胞病理学评估。由于劳动力短缺，计算机辅助诊断（CAD）因可提升效率受到关注，但其在胰腺细胞学中的整体诊断影响尚不明确。研究人员旨在评估CAD在此场景下的准确性。研究人员开展了一项系统评价与荟萃分析，检索5个数据库（2010年1月至2025年5月）中应用CAD于胰腺FNA细胞学的研究，由两名研究者独立筛选文献，采用诊断准确性研究质量评估工具-2（QUADAS-2）评估偏倚风险，通过随机效应双变量模型生成合并灵敏度、特异度及汇总受试者工作特征（SROC）曲线。研究按分析单元分层：图像水平研究基于单个细胞病理图像生成预测，患者/病例水平研究整合每例多个图像生成单一诊断结果。最终10项研究符合纳入标准并提供定量数据。图像水平的合并灵敏度为91%[95%置信区间（CI）：86–94]，特异度为92%[87–96]，SROC曲线下面积（AUC）为0.962；患者/病例水平的合并灵敏度为85%[69–93]，特异度为91%[73–97]，SROC AUC为0.919。异质性较高（I2=65%–93%），由回顾性设计和参考标准差异导致。结果表明CAD工具在确定性诊断中可达到接近专家的准确度，可减少常规筛查负担并加速手术规划，但选择偏倚、单中心训练及阈值不一致限制了普适性。未来需采用全切片工作流程的前瞻性多中心验证，远程病理学整合或可扩大其在资源匮乏地区的可及性。
该研究发表于《Cytopathology》，聚焦胰腺细针穿刺细胞学中计算机辅助方法的诊断价值。胰腺恶性肿瘤是全球致死率最高的实体肿瘤之一，五年总体生存率仅1%–12%，且超50%患者确诊时已发生转移，早期诊断对改善预后至关重要。目前内镜超声引导细针穿刺（EUS-FNA）是胰腺病变病理诊断的核心手段，但其准确性受非典型细胞形态、肿瘤异质性及全球细胞病理医师短缺限制，数字病理与人工智能（AI）技术的整合成为提升诊断效率的重要方向，但现有CAD工具的准确性尚未得到系统性量化评估。
研究人员开展的系统评价与荟萃分析严格遵循PRISMA指南并在PROSPERO注册（ID：CRD420251014289）。检索覆盖MEDLINE、EMBASE、Web of Science、Scopus及IEEE Xplore共5个数据库，检索时限为2010年1月至2025年5月，纳入所有将计算机辅助技术（含AI、机器学习、数字图像分析、全切片成像等）应用于胰腺FNA细胞学的诊断性能研究，未限定细胞制备类型或技术模态，同时纳入会议摘要以保证证据完整性。两名研究者独立完成文献筛选与数据提取，提取内容包括研究设计、样本特征、AI模型细节、参考标准及诊断效能指标（灵敏度、特异度、准确率、ROC曲线下面积等），缺失的四格表数据通过已报告指标回算，零单元格采用+0.5连续性校正以满足logit转换需求。统计分析采用R语言完成，按分析单元分为图像水平（基于单个细胞图像预测）与患者/病例水平（整合单例多图像生成单一诊断结果）两个亚组，分别通过PLOGIT广义线性混合模型计算合并比例，采用Reitsma双变量随机效应模型生成SROC曲线，并通过χ2检验比较亚组差异，同时进行敏感性分析排除会议摘要与连续性校正的影响。
研究结果部分显示，初筛共获得3701条记录，去重后2395篇经标题摘要筛选，93篇进入全文评估，最终21项研究纳入系统评价，其中10项提供充足定量数据进入荟萃分析。QUADAS-2偏倚风险评估表明，多数研究存在患者选择偏倚（9项为高风险，源于回顾性非连续入组）、索引测试适用性不确定（3项因事后阈值优化致高风险）及参考标准局限（2项仅以细胞学为金标准），且常排除血液遮挡或诊断困难病例，存在谱偏倚风险。
3.1 灵敏度分析结果显示，患者/病例水平研究的合并灵敏度为0.85（95%CI 0.69–0.93），图像水平为0.91（95%CI 0.86–0.94），亚组差异无统计学意义（χ2=1.20，p=0.27），两组均存在显著异质性（I2分别为80.4%与77.6%）。
3.2 特异度分析结果显示，患者/病例水平合并特异度为0.91（95%CI 0.73–0.97），图像水平为0.92（95%CI 0.87–0.96），亚组差异无统计学意义（χ2=0.09，p=0.76），异质性在图像水平尤为突出（I2=90.0%）。
3.3 准确率分析显示，单项研究准确率范围为0.71–0.96，图像水平算法中位数准确率（≈0.90）略高于患者/病例水平（≈0.82），但因受数据集恶性占比影响未计算合并值，最终以不受患病率影响的灵敏度与特异度作为主要比较指标。
3.4 SROC曲线分析显示，患者/病例水平模型的AUC为0.919，图像水平为0.962，表明两类模型均具备较强的阈值无关判别能力，图像水平模型区分效能更优。
讨论部分指出，当前CAD工具在二元分类任务中已接近专家水平，最大多中心研究显示半监督卷积神经网络外部验证准确率达94%、AUC达0.99，可减少观察者间变异，适合作为高工作量场景下的“第二阅片者”。在特定细分任务中价值明确，如自动化Ki-67指数计算与人工计数一致性极高（r=0.968，κ=0.86），92%病例可复现病理医师分级结果。但研究存在明显局限性：多数模型基于回顾性精选数据集训练，排除了不典型、可疑等“灰区”病例，而这类病例正是临床决策的核心难点，当面对此类病例时模型性能显著下降；依赖病理医师预先选取的“热点区域”而非自主全切片分析，且多为单中心小样本，外部验证时性能常下滑；训练集病理谱系狭窄，集中于胰腺导管腺癌（PDAC），罕见肿瘤代表性不足。此外，CAD在快速现场评估（ROSE）中具备服务层面价值，可支持标本 adequacy 评估与术中快速分诊，但仍无法替代病理医师对形态学、临床影像信息的整合及最终诊断责任。
研究结论部分表明，胰腺FNA细胞学的计算机辅助方法展现出可观前景，在限定分类任务中可实现高诊断准确度，在提升速度、一致性与定量分析方面具备优势，可作为辅助技术支持ROSE、初步诊断及胰腺神经内分泌肿瘤增殖标志物分级，有望提升 workflow 效率与诊断信心。但多数模型开发于受控环境，将诊断简化为二元结果，未反映细胞病理学的完整复杂性。未来临床应用需关注偏倚控制、普适性与临床整合，算法应基于包含不典型、不确定及罕见病变的多样化数据集训练，并在多中心完成稳健外部验证。后续研究应优先开展前瞻性多中心试验，在实时诊断 workflow 中评估AI效能，直接对比AI辅助实践与标准诊疗的差异，同时遵循诊断准确性报告规范以提升研究可比性与可重复性。开发者、病理医师及国家病理影像合作项目等的紧密协作，对工具优化、落地实施与信任构建至关重要，经持续验证后，AI驱动的图像分析有望成为胰腺细胞学中可靠的辅助工具，在专家监督下提升效率并支持诊断决策。
