该研究通过多中心大样本训练与双中心独立外部验证,证实基于数字病理基础模型的深度学习分类器可直接从常规H&E染色切片快速预测NSCLC的EGFR、ALK、BRAF、MET四大可用药生物标志物,其突出的阴性预测价值使其尤其适用于快速排除EGFR/ALK驱动改变、支持免疫治疗人群筛选,为缓解真实世界中检测不足、治疗延迟的困境提供了切实可行的补充路径;对于组织量有限的小活检标本,这种“零耗组织”的预判信息还可帮助临床与病理团队更合理地规划后续分子检测的优先顺序。随着AI病理工具与分子检测流程的深度整合及前瞻性临床研究的推进,常规病理切片有望从“形态学诊断”升级为“形态学与基因组信息同窗共判”的载体,推动NSCLC精准诊疗迈入新阶段。参考文献:[1] Rolfo C, et al. Validation of histopathology-based deep learning algorithms for detection of actionable non-small cell lung cancer biomarkers[J].NPJ Precis Oncol. 2026 Jan 20;10(1):62.