相关实验视频
Updated: Jul 7, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.0K
弱监督的深度学习预测了基于PD-L1表达的固体瘤中的免疫治疗反应
Marta Ligero1, Garazi Serna2, Omar S M El Nahhas3
1Radiomics Group, Vall d'Hebron Institute of Oncology (VHIO), Barcelona, Spain.
Cancer research communications
|December 21, 2023
概括
一种新的深度学习 (DL) 方法可以从免疫组织化学 (IHC) 图像中准确预测被编程的死亡配体1 (PD-L1) 状态. 这种方法改善了癌症免疫疗法的患者分层,超出了传统的评分方法.
科学领域:
- 计算病理学计算病理学
- 发现生物标志物的发现.
- 癌症免疫疗法癌症免疫疗法
背景情况:
- 编程死亡配体1 (PD-L1) 免疫组织化学 (IHC) 对于预测对癌症免疫疗法的反应至关重要.
- 目前的量化方法 (手动和计算机辅助) 在可重现性和预测性方面存在局限性.
- 准确的PD-L1评估对于有效的患者分层至关重要.
研究的目的:
- 开发和验证深度学习 (DL) 模型,从原始IHC图像数据直接,端到端预测PD-L1状态.
- 评估模型对免疫检查点抑制剂 (ICI) 预测反应的能力.
- 将DL模型的性能与传统的PD-L1量化得分 (瘤比例得分[TPS]和综合阳性得分[CPS]) 进行比较.
主要方法:
- 在PD-L1染色非小细胞肺癌 (NSCLC) 幻灯片 (MSK队列) 上训练了一种弱监督的DL模型.
- 该模型在泛癌队列 (VHIO队列) 上得到验证.
- 该模型预测了PD-L1表达和对ICI的反应,与TPS和CPS相比,性能较好.
主要成果:
- DL模型在预测PD-L1表达方面表现出强的表现 (AUC在NSCLC中为0.88,在泛癌中为0.80).
- 预测的PD-L1状态显示,与TPS (HR 1.4,P=0.082) 和CPS (HR 1.2,P=0.386) 相比,与ICI反应 (HR 1.5,P=0.049) 的相关性显著改善.
- 可解释性分析显示,该模型整合了染色强度和形态因素.
结论:
- 端到端弱监督的DL提供了一种强大的方法,用于从IHC图像中定量PD-L1.
- 这种方法有可能提高癌症免疫治疗的患者分层.
- DL模型的整体整合形态和染色强度超过了传统的评估方法.
更多相关视频
10:29Semi-automatic PD-L1 Characterization and Enumeration of Circulating Tumor Cells from Non-small Cell Lung Cancer Patients by Immunofluorescence
Published on: August 14, 2019
10.6K
09:32Multiplexed Immunofluorescence Analysis and Quantification of Intratumoral PD-1+ Tim-3+ CD8+ T Cells
Published on: February 8, 2018
14.7K
