PD-L1 判读这件事，正在从“一位医生的目测”变成“一条证据链”

导语
几乎没有哪个生物标志物像 PD-L1 这样，让病理科承受如此直接的临床压力：一张免疫组化切片上的阳性比例，决定了患者是用免疫单药还是免疫联合化疗。TPS 1% 与 50% 这两条线，被写进了无数份治疗决策。问题在于，这个数字是通过人眼在显微镜下估计出来的，而它要承担的却是“分层”的责任。2026 年，两件事同时发生：ASCO 的肺癌活指南明确 PD-L1 不再单独决定治疗，必须与经过验证的广谱基因检测配套；ASCO 年会则给出了 AI 辅助 CPS 判读的真实世界数据——它提升的不是“更聪明”，而是“更一致”。

一、指南改的不是推荐强度，是它的位置

2026 版 ASCO IV 期非小细胞肺癌（无驱动基因变异）活指南（2026.3.0，其后更新至 2026.3.1）保留了一条强推荐：PD-L1 免疫组化仍应作为标准检测。TPS≥50% 的患者，帕博利珠单抗、西米普利单抗或阿替利珠单抗单药仍是强推荐；表达水平较低者，通常倾向免疫联合化疗。

真正值得注意的是括号里的那句话：经过验证的 PD-L1 检测，应当与经过验证的组织和/或血液广谱多基因 panel 配套进行；单靠 PD-L1 免疫组化不足以指导治疗。 指南还专门强调了组织管理——很多晚期肺癌靠小活检或细胞学蜡块确诊，这块组织要同时支撑形态学分类、PD-L1 染色和越来越宽的分子检测，反复切片与分散外送会把最重要的检测耗在没有价值的项目上。

2026.3.1 的更新进一步说明了这个逻辑：新增 retifanlimab 联合铂类化疗作为部分患者的选择，且不依赖 PD-L1 水平。当一个疗法的准入不再看这个指标，它自然就不再是“守门员”。

二、变异不在“眼力”，在方法学与阈值

把 PD-L1 判读不一致归因于病理医生不认真，是最省事也最错误的解释。Blueprint 二期计划的结果早就把话说清楚了：22C3、28-8、SP263 三种克隆在肿瘤细胞染色上大体可比，SP142 的敏感性明显偏低。也就是说，同一块组织换一种抗体，结果可能跨过临床阈值。

更麻烦的是细胞类型。肿瘤细胞（TPS）判读的观察者间一致性较好，而免疫细胞（CPS 中的淋巴细胞、巨噬细胞）判读的一致性明显更差——因为要在全片里估计“阳性免疫细胞数 ÷ 存活肿瘤细胞数 × 100”，分母和分子都靠目测。多中心研究显示，在 1% 与 50% 两个阈值附近，观察者间一致性只能算“良好但不够好”，而短期培训带来的改善有限。

临床上最容易出问题的病例，恰恰都堆在阈值附近：弱而淡的膜染色、坏死与挤压伪影、大量巨噬细胞（形态上容易被误判为肿瘤细胞）、存活肿瘤细胞稀少。这些不是判读者的失误，而是“用抽样目测去估计连续变量”这一方法本身的误差。

还要提醒一个常被混淆的点：TPS 与 CPS 不能互相换算。TPS 的分子是阳性肿瘤细胞、分母是存活肿瘤细胞；CPS 的分子还包括阳性淋巴细胞与巨噬细胞，分母仍是存活肿瘤细胞。同一个病例按 TPS 算出 1%、按 CPS 算出 10，是完全可能的——跨瘤种引用数据时出错，多半就出在这里。

三、AI 改变的是一致性，不是判断力

2026 年 ASCO 年会摘要（J Clin Oncol 44: e16006）报告了一项设计相对干净的研究：149 例胃肠道与头颈肿瘤的免疫组化切片，先由 3 位专家独立判读、分歧病例共同复核形成共识参考标准；再由 4 位不同机构病理医生在无 AI 辅助下判读全部病例；经 2 个月洗脱期后，同一批医生在 AI 辅助下重判。AI 方案（DiaKwant PD-L1 CPS）输出 CPS 值，同时给出表达热图。

结果有四个数字值得记住：

按器官特异阈值二分类，CPS 准确率从 77.6% 升至 83.9%（P<0.01）；
敏感性从 78.5% 升至 89.6%，特异性从 73.4% 升至 76.2%；
病理医生之间的组内相关系数（ICC）从 0.71 升至 0.90；
每例平均判读时间从 109 秒降至 78 秒（P<0.01）。

请注意敏感性的提升幅度远大于特异性：AI 让医生更少漏掉真正阳性的病例，但也带来了更多假阳性。这在临床上是可接受的取舍——漏掉一个该用免疫治疗的患者，代价通常高于多判一个。

机制并不神秘。算法遍历整张全片图像，对每一个细胞做分类与计数，不存在“看几个视野然后外推”的抽样误差；热图则把“它认为哪里阳性”可视化出来，让医生可以复核而不是盲信。AI 在这里的角色是“把估计变成计数”，而不是“替医生做决定”。

四、它没有解决的问题

必须把边界讲清楚，否则这类数据很容易被当成“标准化已经完成”。

参考标准本身是人做的。 149 例的“金标准”是 3 位专家共识，如果专家共识本身有系统性偏差，AI 学到的也是这个偏差。

样本与瘤种有限。 研究覆盖胃肠道与头颈肿瘤，用的是 CPS；肺癌用 TPS，乳腺癌、尿路上皮癌的判读规则又不同。跨瘤种、跨评分的可迁移性需要单独验证。

AI 不解决染色前的变量。 组织固定时间、切片厚度、抗原修复条件、显色系统、扫描仪与色彩校正，任何一环漂移，算法输入就变了。数字病理的标准化，一半工作在染色台上，不在服务器里。

阈值与药物的绑定关系仍在变动。 同一个 CPS 数值，在胃癌、食管癌、宫颈癌对应的cut-off不同；当适应症与联合方案变化时，判读规则的临床含义也跟着变。

五、三类角色各自的下一步

对病理科：

把“AI 辅助”写进标准操作流程（SOP），明确 AI 结果与医生判读不一致时的复核与裁决机制；
对阈值附近的病例强制二次判读，尤其是 TPS 40%–60% 与 CPS 8–12 这两段；
建立内部一致性监测：定期用同一批教学病例做科室间比对，记录 ICC 而不是“考试通过率”。

对 IVD 与试剂端：

伴随诊断的竞争点从“有没有证”转向“染色稳定性 + 数字读出的可复现性”，扫描仪色彩一致性应作为配套参数交付；
提供可核查的阳性/阴性对照与批间一致性数据，比在宣传里强调“灵敏度高”更有用。

对药企与 CRO：

临床试验入组时的 PD-L1 判读，应在中心实验室层面记录“是否 AI 辅助”与“读片者一致性”；
当药物不再依赖 PD-L1 分层时（如 2026 版新增的部分联合方案），生物标志物策略要提前准备替代终点。

当一项检测的误差主要来自“人眼估计连续变量”时，最好的改进不是培训得更久，而是让估计变成计数。

本文数据引自 2026 年 ASCO 年会摘要、ASCO 活指南与 Blueprint 计划公开结果，不构成诊疗建议。

参考资料

Gil H, Bazille C, Boulagnon-Rombi C, et al. Impact of artificial intelligence assistance on combined PD-L1 scoring on whole immunohistochemical slide image of tumors. J Clin Oncol, 2026;44(16_suppl):e16006. https://ascopubs.org/doi/abs/10.1200/JCO.2026.44.16_suppl.e16006
ASCO. Living Guideline: Stage IV NSCLC without driver alterations, v2026.3.0 / v2026.3.1, 2026.
Bangladesh Academy of Pathology. Editorial: ASCO 2026 Guideline — Rethinking PD-L1 Testing, 2026. https://www.bapath.org/jhc2026v10i2s1
Torlakovic E, et al. “Interchangeability” of PD-L1 immunohistochemistry assays: a meta-analysis of diagnostic accuracy. Modern Pathology, 2020.
Blueprint Phase 2 计划（PD-L1 IHC 抗体可比性研究）公开结果.