惡性黑色素瘤的診斷熱點

吳娜明，李 軍，陶 娟

（1.華中科技大學同濟醫學院附屬協和醫院皮膚科，湖北武漢 430022；2.華中科技大學同濟醫學院附屬武漢中心醫院皮膚科，湖北武漢 430014）

黑色素瘤是源自皮膚、黏膜黑色素細胞的惡性腫瘤，易侵襲和轉移，Ⅳ期患者的5 年生存率僅為4．6%[1]。近年來，全球惡性黑色素瘤（黑色素瘤）發病率迅速增加，從1990 年的2．01/10 萬增加到2019年的3．75/10 萬。盡管黑色素瘤在我國的發病率和死亡率低于全球平均水平，但近年來其發病率的增長速度（3%/年～5%/年）已遠超過其他惡性腫瘤，是我國發病率增長最快的惡性腫瘤[2-4]。因我國人口眾多，每年新發黑色素瘤患者多達2～3 萬例。不同于歐美國家，我國患者的黑色素瘤好發于肢端皮膚(足底、足趾、手指末端及甲下等部位)和黏膜（鼻腔、口咽以及上、下消化道等），手術方案通常無法避免截指（趾），晚期或多次復發的患者甚至需要截肢。黑色素瘤嚴重危害著我國患者的健康[5-6]。推進黑色素瘤的規范化診療，促進早期診斷與治療，才能極大地改善黑色素瘤患者的預后。本文將就目前黑色素瘤診斷的視診輔助工具、組織學診斷、鑒別診斷以及人工智能輔助診斷等熱點進行深入探討，以加強臨床醫師對黑色素瘤的認識，提高該病早期診斷的準確率。

1 無創性視診輔助工具

臨床診斷黑色素瘤的核心仍為詢問病史及全身皮膚檢查。問診和體檢是最基礎、最簡便的診斷方式，是輔助檢查不可替代的手段。黑色素瘤通常由痣惡變而來[7]，其早期發現主要是醫師通過對病灶的視診，查看其形態外觀，根據ABCDE 法則[8]作出判斷，包括評估病灶的不對稱性、邊界不規則、顏色不均一、直徑≥6 mm 和外觀變黑、進行性增大，符合這些標準的病灶應被高度懷疑為黑色素瘤。單純靠肉眼診斷黑色素瘤的準確率可達到70%。如病灶具有“丑小鴨征”（ugly duck,UD），即與周圍的痣相比，這些病灶可能更大、更小、更亮或更暗，UD征與ABCDE 法則可互相補充但不能互相取代，通過UD征判斷惡性黑色素瘤的靈敏度和特異度分別達到90．9%和88．3%[9]。

視診在黑色素瘤診斷中的重要性，使得視診輔助工具得以不斷發展，越來越多先進的輔助檢查設備將被引入臨床，黑色素瘤患者將有更多無創檢查可選擇。目前已有的視診輔助工具主要包括皮膚鏡和皮膚共聚焦技術（皮膚CT）。

1.1 皮膚鏡

皮膚鏡檢查方便且無創，能有效地在早期輔助診斷黑色素瘤，并可明顯提高診斷的準確率。黑色素瘤的顏色與黑色素及腫瘤細胞的分布、血管和膠原成分有關，其在皮膚鏡下的常見特征包括多種色素、不典型色素網、不規則的點球、放射流和偽足、藍白幕、負性色素網以及蠶蛹樣晶體結構、不規則灰色小點及瘢痕樣退行結構等[10]。而無或低色素性黑色素瘤在皮膚鏡下則主要表現為在粉色、紅色背景下見多形性血管、藍白幕、白色條紋、假性管腔等，該特征診斷無或低色素性黑色素瘤的靈敏度和特異度分別為61%和90%[11]。

研究表明，黑色素瘤在皮膚鏡下的表現特征與黑色素瘤患者的預后間密切相關。皮膚鏡下表現為顏色不均勻、總體為網狀模式、有退行特征的黑色素瘤生長速度較慢，患者預后較好[12]；而皮膚鏡下表現為典型的網狀結構缺失、對稱性色素沉著、潰瘍、低色素性、不典型血管、粉紅色區域特征的黑色素瘤生長速度較快，侵襲性強，患者預后差[13]。同時，皮膚鏡下見亮白色條紋、粉紅色區域、藍白幕、皮損潰瘍以及核分裂象＞1 個/mm2等特征，則與黑色素瘤遠處轉移有關，尤其對于厚度小于1 mm的黑色素瘤具有診斷意義[14]。此外，采用連續數字皮膚鏡檢查可實時捕獲不確定的皮損信息，實現無創原位動態監測。這項技術可減少良性病變不必要的切除，且對于缺乏臨床或皮膚鏡診斷特點的黑色素瘤可實現基線監測[15]。

1.2 皮膚CT

皮膚CT 基于反射式共聚焦成像原理，以原位、在體、實時、動態三維成像技術實現了皮膚計算機斷層掃描成像，克服了皮膚鏡檢查的局限性，其檢測深度可至真皮淺層，圖像分辨率達到微米級別，有助于診斷可疑皮膚病變中的黑色素瘤或難以診斷的皮膚病變[16]。通過皮膚鏡聯合皮膚CT 檢查對非典型黑色素細胞病變進行監測，發現非典型網狀結構、退行性變、非典型條紋、不對稱性以及真皮-表皮連接紊亂等特征常提示黑色素瘤，其診斷靈敏度高達100%，特異度為40．6%，可作為黑色素瘤早期診斷的聯合輔助手段[17]。

應用視診輔助工具可以方便、無創且有效地鑒別大部分色素性皮膚損害，減少外科手術和病理檢查[17]。值得注意的是，皮膚鏡、皮膚CT 等僅是一種篩查工具，對于有爭議的色素性皮損還需隨訪和進一步行病理檢查。

2 人工智能輔助診斷

臨床上，皮膚科醫師主要通過觀察患者皮膚病灶來進行診斷，當然還需要采用一些非視覺檢查手段進行輔助診斷。隨著信息技術的發展，人工智能的發展也突飛猛進，機器學習方法被廣泛應用于各個領域。利用人工智能和機器學習的計算應用程序，可進一步展示隱藏在每個組織樣本中的信息，輔助臨床醫師發現病灶，提高黑色素瘤的診斷確診率[18]。

多項研究表明，計算機輔助診斷（computer aided diagnosis，CAD）系統與皮膚科醫師間生對黑色素瘤的診斷一致性高。斯坦福大學一個聯合研究團隊開發出了一個黑色素瘤診斷準確率能與媲美臨床醫醫師生媲美的人工智能系統。該系統主要通過深度學習的方法，用近13 萬張痣、皮疹和其他皮膚病變的圖像，訓練機器識別其中的黑色素瘤癥狀，在與21 位皮膚科醫師生的診斷結果進行對比后，發現這個深度神經網絡的診斷黑色素瘤的準確率與臨床醫師生相近，約為90%。在該項測試中，人工智能被要求完成3 項診斷任務，即鑒別惡性角質化皮膚癌、鑒別黑色素瘤以及使用皮膚鏡圖像對黑色素瘤進行分類。在所有3 項任務中，該人工智能的表現與人類皮膚科醫師生不相上下，診斷靈敏度達到91%[19-20]。

另一項研究中，研究人員開發出一種基于卷積深度神經網絡的新型皮膚病變計算機輔助診斷CAD系統，在從患者皮膚圖像中識別可疑色素病變的任務中，該算法在與皮膚科醫師生間的診斷一致性達88%，識別黑色素瘤的準確率相似[21]。此外，超過50%的黑色素瘤診斷為原位或者厚度小于1 mm 的黑色素瘤，表明該算法可以在檢測早期黑色素瘤中發揮作用[21-22]。

研究發現，以人工智能為基礎診斷黑色素瘤比單純的人工智能或醫師診斷準確率更高，而且經驗較少的臨床醫師從人工智能輔助診斷中獲益更多?；谌斯ぶ悄艿闹С?，皮膚科醫師將15．5%的良性病變治療策略從“切除”切換到“監測”，而惡性病變的數量卻沒有增加，減少了不必要的干預和治療成本，同時將黑色素瘤診斷準確率從55．6%提高至75．0%[23]?？梢?，人工智能可能為參與黑色素瘤篩查的醫師提供幫助，協助決定是否對病變進行活檢，并輕松、快速地對存儲的圖像進行評估，以獲得黑色素瘤的發生概率[23]。

人工智能輔助診斷具有較好的分類識別性能，不僅提高了早期黑色素瘤臨床診斷的準確率、靈敏度和特異度，還為臨床上早期發現黑色素瘤患者提供了客觀依據[21]。因此，不斷完善基于圖像診斷的人工智能的研究框架，將進一步推動人機協作的深層次應用及未來遠程診療系統的開發利用，以提高臨床實踐中的人機協作。

3 組織學診斷

黑色素瘤診斷金標準仍為組織切片蘇木精-伊紅（hematoxylin-eosin, HE）染色的組織病理學評估結合患者皮損及其臨床背景，目前主要有切除活檢、局部穿刺活檢、削切或針吸活檢等。無論黑色素瘤體表病灶或者轉移灶活檢或手術切除的組織標本，均需經病理組織學診斷。病理活檢病灶的切取要求能明確診斷及分期的同時，不能影響后期治療和預后。對于局部原發灶應盡量獲得陰性切緣，而對于已經發生破潰、轉移或巨大腫瘤，以及顏面部等影響美觀的暴露部位，則選擇穿刺、針吸活檢。此外，前哨淋巴結活檢可提高患者生存率，對活檢結果為陽性者或臨床確診為Ⅲ期的患者須行區域淋巴結清掃，有效的區域淋巴結清掃可以控制局部病灶的進一步轉移[24]。免疫組化標記結合常規HE染色有助于提高診斷率。黑色素瘤特異性免疫組化標志物包括SOX-10、S-100、HMB45、Melanie-A、PNL2、酪氨酸酶、MITF 以及波形蛋白[25]。然而，目前尚缺乏適用于所有黑色素瘤的客觀的、高重復性的免疫組化組合標準。

3.1 基因診斷

隨著二代測序技術的不斷進步，黑色素瘤基因組學的研究逐漸深入。大約50%的黑色素瘤包含BRAFV600E 突變（纈氨酸突變至谷丙氨酸），該突變組成激活有絲分裂原激活蛋白激酶途徑，驅動細胞增殖和疾病進展[26]。BRAF 和MEK 抑制劑聯合治療是目前治療BRAFV600E 突變局部晚期或轉移性黑色素瘤的標準治療方法。此外，NRAS 突變率占20%，NF1突變率在14%，而KIT突變率在3%～5%[27-28]。

事實上，目前基因分析已投入臨床應用。多項研究數據表明，BRAF突變患者比野生型患者潰瘍發生率高、預后差，是黑色素瘤的獨立預后因素。臨床試驗已經表明，對于攜帶BRAFV600E 突變的患者，聯合使用BRAF和MEK抑制劑優于單獨使用任何一種藥物。雖然藥物聯合治療比單純化療取得了更好的效果，但也存在一些問題，如約50%的患者會出現繼發耐藥，這可能與MAPK 通路的再激活或旁路信號通路（如PI3K/AKT/mTOR）的激活有關[29]。在長期和間歇受到日曬、手足表面和黏膜表面的皮膚黑色素瘤中，約15%的患者存在NRAS突變。與其他常見的黑色素瘤亞型相比，NRAS突變與局部及晚期黑色素瘤患者的生存期差相關[30]。KIT突變存在于10%～15%的黏膜和肢端黑色素瘤中。KIT突變可能會在整個基因的多個“熱點”中發生，并且它們對KIT 抑制劑（如伊馬替尼、舒尼替尼、尼洛替尼）的敏感性不同[28]。

隨著基因檢測技術的成熟和普及，對黑色素瘤基因分子水平上的認識與應用得到不斷發展和完善。靶向黑色素瘤驅動基因、分子分型等有望輔助診治黑色素瘤。因此，選擇合適的獲益人群，發展有效的聯合治療策略，對黑色素瘤的精準治療具有重要意義。

3.2 免疫組化及病理診斷

黑色素瘤因涉及部位廣泛，患者的臨床表現復雜、缺乏特異性，且病理組織學和細胞學形態表現多樣化，尤其是無色素型，所以臨床上發生誤診和漏診的概率較高。由于很難與外表相似的皮膚良性病變進行區分，早期黑色素瘤的診斷和鑒別診斷也是黑色素瘤診斷中的難點之一。臨床上，容易誤診為黑色素瘤的色素痣包括Spitz 痣、復發痣、暈痣、新生兒及嬰兒的先天痣等；容易誤診為色素痣的黑色素瘤包括促纖維結締組織增生性惡性黑色素瘤（desmoplastic melanoma，DM）、惡性雀斑樣痣黑色素瘤（lentigo maligna melanoma, LMM）、無/低色素性黑色素瘤等。

3.2.1 Spitz痣

Spitz 痣是一種良性黑素細胞腫瘤，Spitz 樣黑色素瘤為具有Spitz 痣樣組織學特征的黑色素瘤，細胞異型性較明顯[31]。通過組織病理學可對二者進行鑒別。光學顯微鏡下，Spitz 痣成熟現象明顯，痣細胞巢與表皮間常有裂隙形成，細胞缺乏異型性和核分裂象，可有對稱的表皮增生、局部痣細胞Paget 樣播散及Kamino 小體。Spitz 樣黑色素瘤在鏡下可見細胞缺乏巢狀結構和成熟現象，可呈廣泛的Paget 樣分布，細胞具有高度異型性，核分裂象多見，核仁大而明顯，可見潰瘍及腫瘤性壞死，可伴帶狀炎癥細胞浸潤[31-32]。若無法明確診斷時，可進一步行免疫組化檢測，p15 和p16在Spitz 痣中多呈高表達，在黑色素瘤中一般表達減少或缺失。此外，也可以通過熒光原位雜交檢測、基因組雜交以及前哨淋巴結活檢等方法積極尋找線索。

3.2.2 DM

DM 是一種罕見的梭形細胞黑色素瘤，在真皮和皮下組織中有梭狀黑色素細胞增殖，并伴有不同類型的結締組織增生。約30%的DM 可發生神經偏向性和神經分化。由于DM 與其他惡性病變（如纖維肉瘤）、良性病變（纖維瘤病、真皮纖維瘤、色素痣）間有一定相似性，加之部分病變中無色素、無其他典型黑色素瘤表現，因此常被誤診或漏診[33]。因此，對于高度懷疑DM 的病變，應進一步行免疫組化及病理活檢[34]。

3.2.3 LMM

LMM 是由惡性雀斑樣痣發展而來。惡性雀斑痣通常以無癥狀、扁平、棕褐色或棕色、不規則形狀的斑或斑塊的形式，出現在面部或其他長期陽光照射的區域，其表面不規則地散布著深棕色或黑色斑點。惡性雀斑樣痣中正常及惡性的黑素細胞均局限在表皮。當惡性黑素細胞侵犯真皮時，稱為LMM，可發生轉移。因此，早期確診、治療惡性雀斑樣痣至關重要，避免進一步發展為LMM。LMM最常見有c-kit基因突變[35]，可作為輔助診斷信息。

3.2.4 無/低色素性惡性黑色素瘤

臨床上在判斷疑似、無/低色素性黑色素瘤患者時，應提高漏診的警覺性，同時應與惡性淋巴瘤、低分化肉瘤及未分化癌等進行認真區分。由于大多數黑色素瘤腫瘤細胞不再產生黑色素，或者產生的黑色素很少，以至于不易被識別。無/低色素性黑色素瘤的形態變化多樣，病灶可呈粉紅色、微紅色、紫色、正常膚色或基本透明無色，外觀上呈疤痕狀，皮膚鏡檢查有助于輔助診斷[10]。位于肢端部位的病變可能進一步發展為周圍細微的色素斑，此為侵襲性黑色素瘤的原位前體。由于這些色素斑變化緩慢，因此患者通常會產生一種錯誤的安全感。病理組織切片在HE 染色檢查中易被漏診或誤診，需進一步借助免疫組化檢測確診。HMB45、酪氨酸酶是診斷黑色素瘤的特異性抗體，SOX-10、S-100、波形蛋白、Melan-A、PNL2 以及MITF 陽性等對其診斷和鑒別診斷有重要價值[36]。

可見，臨床醫師對可疑皮損的組織病理學檢查必不可少，并應嚴格遵從ABCDE 法則進行視診。與此同時，在診斷黑色素瘤及評估患者預后時，應以組織病理學特點、免疫組化分析為基礎，密切結合患者的發病年齡、發病部位及皮損形態等臨床信息，循序漸進，形成優化的診療體系，最終提高臨床診斷準確率。

5 小結

黑色素瘤侵襲性強，早期便可出現轉移，許多患者確診時即為晚期，手術治療效果并不理想，而早期規范診斷可極大改善患者的預后，提高其生存率。由于黑色素瘤的診斷涉及到多種方法和多個學科，如實驗室檢查、影像學檢查、病理活檢、人工智能等，因此黑色素瘤診療應重視多學科診療團隊模式，為患者提供一站式醫療服務，促進學科交流，推進建立在多學科共識基礎上的診療原則和指南。近年來，我國黑色素瘤的診治已經取得了較大發展，但要達到規范化的診療、有效提高患者預后仍任重道遠。

利益沖突說明/Conflict of Interests

所有作者聲明不存在利益沖突。

倫理批準及知情同意/Ethics Approval and Patient Consent

本文不涉及倫理批準及知情同意。

作者貢獻/Authors’Contributions

吳娜明撰寫，陶娟教授、李軍教授負責指導。