基于机器学习的图像分析算法在评分非小细胞肺癌中PD-L1表达时提高了病理学家间一致性

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 医疗成像医学成像

背景情况:

• 编程死亡配体1 (PD-L1) 表达是非小细胞肺癌 (NSCLC) 免疫治疗的关键预测生物标志物.
• 准确解释PD-L1表达具有挑战性,可能会影响治疗决策.

研究的目的:

• 评估基于机器学习的图像分析工具是否可以在评估NSCLC中PD-L1表达时提高病理学家之间的一致性.
• 确定这些工具是否提高了用于临床决策的PD-L1表达水平分类的一致性.

主要方法:

• 五位病理学家独立对PD-L1 (SP263克隆) 表达进行了13次NSCLC活检,使用和不使用机器学习图像分析算法.
• 病理学家之间的一致性用弗莱斯的卡帕和类内相关系数来衡量.

主要成果:

• 图像分析工具显著改善了病理学家之间的一致性 (弗莱斯卡帕0.886与0.613;ICC0.954与0.837).
• 当使用算法时,较少的病例被不一致地分为临床类别 (负 / 弱 / 强) (15%对38%).

结论:

• 机器学习图像分析工具明显提高了病理学家对PD-L1表达评估的一致性.
• 这些工具有可能在NSCLC患者中更可靠地预测免疫疗法反应.