通过人工智能对NSCLC患者新辅助药阿特佐利祖马布病理反应的评估:来自LCMC3研究的结果
Sanja Dacic1, William D Travis2, Jennifer M Giltnane3
1Department of Pathology, Yale School of Medicine, New Haven, Connecticut.
概括
数字病理学的人工智能准确地评估了非小细胞肺癌 (NSCLC) 新辅助试验中的瘤反应. 这种人工智能工具对改善临床评估和患者治疗结果充满希望.
科学领域:
- 数字病理学数字病理学
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 病理反应 (PathR) 是可切除非小细胞肺癌 (NSCLC) 的新辅助疗法的关键终点.
- 数字病理学有可能提高PathR评估的效率和精度.
- 在LCMC3试验报告了20%的主要PathR率与新辅助剂阿特佐利祖马布在NSCLC.
研究的目的:
- 开发和验证一个卷积神经网络 (CNN) 模型,用于数字评估百分比可行的瘤.
- 评估数字和视觉PathR评估之间的一致性.
- 为了确定数字评估的PathR是否能预测患者的生存结果.
主要方法:
- 开发了一种CNN模型,使用既定的指导方针从整张幻灯片图像中数字测量百分比可行的瘤.
- 评估了47位当地和3位中央病理学家对AI模型和视觉评估的一致性.
- 评估了数字评估的PathR与无病生存率 (DFS) 和整体生存率 (OS) 的关联.
主要成果:
- 在视觉评估之间观察到很高的一致性 (类间相关系数 = 0.87).
- 人工智能模型与可行的瘤百分比的视觉评估有很强的相关性 (Pearson r = 0.73).
- 数字评估的主要PathR (MPR) 准确地预测了视觉评估的MPR,并与显著更长的DFS和OS相关.
结论:
- 人工智能驱动的数字病理学显示出在NSCLC新辅助临床试验中协助病理反应评估的重大前景.
- 人工智能方法可以增强临床操作,并支持改善患者护理和长期结果.
- 数字病理学工具可以帮助病理学家进行常规评估,从而提高临床试验效率和患者管理.
