癌症本体监督多模态编排（COSMO）人工智能系统与仅病理学家评估的头对头比较 (COSMO)

研究背景与理论基础 由于病理学家在专业知识、经验和获取诊断资源方面的差异，癌症亚型分类的诊断准确性存在显著差异。 人工智能系统在病理学领域的出现为提升癌症分类的诊断性能和一致性提供了潜力。 然而，文献中关于基于人工智能的预测与病理学家在相同病例上诊断性能的直接实证比较仍然有限。

研究目标 此项头对头比较研究旨在：(1) 评估COSMO人工智能系统在多个解剖部位的癌症亚型分类中的诊断性能；(2) 描述经验丰富的病理学家在相同病例上的诊断准确性；(3) 直接比较COSMO与病理学家之间的诊断性能指标；(4) 考察按解剖部位、癌症发病率类别、病理学家经验和病例复杂性划分的一致性模式和性能差异。

研究环境与参与者 本研究将招募多达25名拥有3至10年以上诊断经验的委员会认证病理学家，他们来自北美、欧洲和亚太地区的机构。 参与的病理学家将在神经病理学、肺部病理学、泌尿病理学或普通解剖病理学领域具备专业知识。

病例与分层 本研究将使用代表多达300名确诊参考诊断患者的去标识化档案全切片图像，包括100例脑癌、100例肺癌和100例肾癌。 病例将根据癌症类型和发病率类别（常见与罕见或不常见）进行分层，符合世界卫生组织（WHO）指南。

数据收集 病理学家将独立审查每个病例，并使用5点量表提供诊断分类及置信度评估。 数字病理学界面将自动记录诊断时间指标。 COSMO将离线处理相同病例，以生成独立的诊断预测和置信度评分。 病理学家和人工智能的预测都将根据既定的参考标准诊断进行评估。

分析框架 主要分析将描述病理学家（在个人和聚合层面）和COSMO系统的诊断性能指标（包括准确性、敏感性、特异性、阳性预测值（PPV）、阴性预测值（NPV）以及受试者工作特征曲线下面积（AUROC））。 次要分析将评估按解剖部位、癌症发病率类别和病理学家经验水平分层的性能。