癌症免疫治疗为患者提供了一种崭新的治疗方式，并且已经被证实能够在不同癌种的大量患者中产生持久的反应。多种特定的PD-1免疫检查点抑制剂药物已经在临床上得到应用。然而并非所有的患者都适用于这些药物，因此筛选有效的生物标记物以及适用于这些药物的特定人群变得极为重要。  

PD-L1的表达被证实为筛选这些药物获益人群的一种良好指标，并且已得到FDA的批准。但至今，PD-L1在临床上的评估都存在不同的评价方法。因此，需要一种客观、标准的PD-L1评估方法来对PD-1/PD-L1阻断剂药物的有效性进行评估。

数字病理图像分析平台的出现为这个问题提供了一种高效准确的，客观可重复的解决方案。HALO是基于人工智能和数字病理环境相结合而产生的一种有效的对数字病理切片提供高通量、逐个细胞分析、高精度快速的数字病理图像分析平台。

瑞士Cantonal Hospital Baselland病理研究院的Viktor H 教授等人对比了专业的病理学家和HALO平台对69位皮肤黑色素瘤患者的PD-L1表达进行了评估，验证了利用HALO平台能够极大程度的降低PD-L1评分的可变性，能够有效促进临床实践中肿瘤患者的病人分层。

研究人员选择了来自两个医院共69位皮肤黑色素瘤患者，然后对这些患者具有代表性的肿瘤组织进行了PD-L1染色。PD-L1的评分首先通过两位专业的病理学家进行评分，评分标准以PD-L1 negative / focally positive: 0% - <1%; PD-L1 low: 1% - <5%: PD-L1 high ≥5%进行分类判读。

在黑色素瘤细胞的评分中大约有10%的病例，两位病理学家出现了差异性的解释；在黑色素瘤相关的免疫细胞评分中，约有30%的病例具有争议性的解释。这些差异性的解释通过在双目显微镜下的重新观察下，最终由两位病理学家统一了最后的结果。

下图是PD-L1免疫组化用HALO平台进行分析的示例。其中图1 A、B分别为低/高表达的结节性皮肤黑色素瘤。图1 C、D为利用HALO模块对图像的注释区域进行胞核检测、PD-L1表达的评分结果示例（阴性细胞标记为蓝色，阳性细胞标记为棕色）。图2 A、B为PD-L1高表达的部分放大区域及定量分析结果。

HALO平台利用自带的注释工具能够快速的对切片组织进行自动化的识别。

图1 Digital image analysis of PD-L1 IHC.

图2 Digital analysis of membranous PD-L1 expression in melanoma cells

由于炎症细胞上也会进行PD-L1的表达，会造成PD-L1的表达量变高。通过HALO基于随机森林算法开发的Tissue Classifier模块，对这些炎症浸润的组织能进行快速排除，从而避免因炎症细胞而引起的错误判读。

图3 Exclusion of PD-L1 positive inflammatory infiltrates from analysis using HALO Tissue Classifier

为了评估数字图像分析的有效性，研究人员比较了HALO平台评分和专业病理专家评分结果的相关性。

结果表明，HALO平台评分与病理学家通过显微镜对PD-L1表达的评分有高度的一致性(R=0.97, p<0.0001,图4 A)。两位病理专家的评分具有强烈的线性相关性(R=0.93, p<0.001 图4 B)；在使用两台独立的HALO平台工作站进行分析时，两次的评分的几乎达到了完美的重复(R=1,p<0.001,图4 C)。

图4 Inter-observer assessment.

传统的组织学判读极其容易出现主观的，差异性的解释，特别是在一些小组织切片和低PD-L1表达的组织切片上。HALO平台能够对整张病理切片进行逐个细胞的定量分析，能够极大程度上增加在临床过程中PD-L1判断的准确度及重复性。

因此，利用数字病理图像分析平台在临床上对PD-L1的表达进行评估，在未来的临床实践过程中也将成为一种有效的辅助诊断方式。

参考文献【节选】：

[1]  Koelzer, V. H. et al. Digital image analysis improves precision of programmed death ligand 1 (PD-L1) scoring in cutaneous melanoma. Histopathology 0, doi:10.1111/his.13528 (2018).

[2]  Indica Labs, “Next Generation Image Analysis for Digital Pathology - Halo ,” 2018.