深度学习用于预测新辅助疗法在非小细胞肺癌中用组织学图像预测新辅助疗法的效果

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 新辅助疗法对于局部晚期非小细胞肺癌 (NSCLC) 非常重要.
• 对治疗反应的病理性评估,特别是重大病理性反应 (MPR),至关重要,但受到观察者之间的变化影响.
• 准确的MPR预测对于治疗评估和作为生存替代品至关重要.

研究的目的:

• 开发和验证一种深度学习 (DL) 模型,用于从H&E染色组织图像中预测NSCLC的MPR.
• 评估DL模型在临床环境中的实用性和准确性.

主要方法:

• 一个多尺度的补丁DL模型是使用从125个NSCLC病例的整体幻灯片图像进行开发的,这些病例接受了新辅助治疗.
• 该模型在55个案例中进行了训练和验证,并在70个案例中进行了测试,使用交叉验证评估性能.
• 模型预测与病理学家评估 (注释者和非注释者) 进行了比较,使用混矩阵和ROC曲线以及生存分析.

主要成果:

• 在交叉验证中,DL模型实现了高精度 (0.859) 和F1得分 (0.805).
• 在测试中,该模型在审查数据 (精度0.986,F1 0.985) 和初级数据 (精度0.943,F1 0.943) 上表现出色.
• DL预测的MPR与改善的无病生存率有显著的相关性,反映了病理学家的评估.

结论:

• 开发的DL模型准确地预测NSCLC患者在新辅助疗法后的MPR.
• 这种人工智能工具显示出支持病理学家的潜力,提高了MPR确定的可靠性和准确性.
• 该模型预测生存结果的能力表明其在治疗响应评估中的临床实用性.