美国西奈山伊坎医学院Campanella等研发了名为EAGLE的AI模型，能基于常规病理切片检测EGFR突变，不用额外组织、不需分子实验室，耗时44分钟即可拿到检测结果。该AI模型不仅在回顾性数据中表现良好，在真实临床环境中测试AUC值达0.89。（Nat Med. 2025年7月9日在线版）

传统的EGFR检测方法如聚合酶链式反应（PCR）或二代测序（NGS）法，均需一定量肿瘤组织。而肺穿刺活检通常只能获取极少量样本，甚至无法完成一次完整的基因检测。PCR或NGS检测往往需数天至数周，可能延误最佳治疗时机。

为了开发可在真实临床实践中应用的EGFR突变预测AI模型工具，研究者构建了一个涵盖8461张肺腺癌病理切片的大型多中心数据集，来自包括美国、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。

模型训练采用美国纪念斯隆-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，提示其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。在原发肿瘤组织上，EAGLE的表现出色，AUC达0.90。在转移灶中，AUC为0.75，提示其在某些组织来源中仍存在性能差异。

为进一步验证临床可行性，研究者设计了一项前瞻性静默试验，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。当临床上有一例新的肺腺癌患者活检样本按正常流程被扫描和诊断时，EAGLE系统会在后台被自动触发，实时地对这张全新的、模型前所未见的数字切片进行分析，并生成一个EGFR突变预测结果。

这个结果是静默的，会被秘密记录下来，而不展示给临床医生，不影响该患者的实际诊疗决策。等数天或数周后，当标准分子检测结果出来时，再将EAGLE的秘密预测结果与这个金标准检测结果进行比对。完全模拟AI在未来临床应用中的真实场景，排除所有回顾性研究中可能存在的数据筛选偏倚。EAGLE分析了197例原发肿瘤样本，结果显示模型的AUC达0.890，这一数据不仅与之前的回顾性测试结果高度一致，甚至表现更佳，完全达到临床级别要求。提示该模型已具备了在真实临床环境中稳定可靠地工作的能力。

EAGLE的价值不仅在于它能看出基因突变，还能优化肺癌分子诊断流程，打破检测速度、准确性和组织样本量等技术瓶颈。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。这种近乎实时的判断力，为早期治疗决策提供了可能。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。

研究者设计了一套AI辅助的诊断工作流程，用AI的免费快速无损预测，来决定是否需要启动昂贵缓慢有损的分子检测。首选由EAGLE进行预筛查。给出EGFR突变概率分值进行智能分流。当模型判定阳性或阴性概率极高时，可跳过快速PCR检测，为后续NGS检测留够充足样本。若EAGLE预测分值落在高概率阳性和高概率阴性两个阈值之间，可按传统流程进行PCR快速检测。

模拟数据显示，该策略可减少43%的快速检测需求，同时整个流程的诊断性能仍然与单独使用PCR快速检测的历史数据相当，保持与传统流程近似的阴性预测值（0.952）与阳性预测值（0.981），意味着可安全省去近一半的PCR检测。降低成本同时，简化流程提高效率，减少患者等待实践，保留宝贵组织降低组织耗尽导致的NGS失败风险。

EAGLE不能识别具体突变类型，仍需要NGS进行最终确认。作为初筛工具，它具备成本低、速度快、无创损耗低的优势，尤其适用于组织有限、资源紧张的临床场景。EAGLE模型是AI从实验室走向临床真实世界的范例，在回顾性验证、外部验证和前瞻性临床实战演练中，均表现出色，提示其可成为分子诊断流程的有力助手，不仅是技术革新，也是精准医疗的进步。

（编译 姜娜）