对比深度学习和病理学家量化非小细胞肺癌细胞水平PD-L1表达的整片图像
Leander van Eekelen1, Joey Spronck2, Monika Looijen-Salamon2
1Department of Pathology, Radboud University Medical Center, P.O.Box 9101, 6500 HB, Nijmegen, The Netherlands. leander.vaneekelen@radboudumc.nl.
Scientific reports
|March 27, 2024
概括
一个新的深度学习算法可以在细胞水平上检测被编程的死亡配体1 (PD-L1) 表达. 这种人工智能有望通过量化瘤比例得分 (TPS) 来改善免疫检查点抑制剂适用性评估.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 免疫组织化学分析
背景情况:
- 通过瘤比例得分 (TPS) 评估的编程死亡配体1 (PD-L1) 表达,对于免疫检查点抑制剂的合格性至关重要.
- 目前对PD-L1 TPS的临床评估中,观察者之间存在很高的变异性,这限制了治疗疗效.
- 现有的自动化量化系统往往专注于幻灯片级的TPS,而缺乏细胞级的PD-L1表达分析.
研究的目的:
- 开发和评估一种深度学习算法,用于细胞水平检测PD-L1阴性和阳性瘤细胞.
- 在PD-L1评估中建立一个细胞级参考标准,用于对计算机视觉算法进行比较.
- 为了评估算法的表现在滑块级瘤比例得分 (TPS) 量化与病理学家的协议.
主要方法:
- 开发了一种深度学习算法,用于细胞水平的PD-L1表达检测.
- 该算法在一个多中心数据集上进行了评估,并使用了由六名专家读者创建的细胞级参考标准.
- 通过将算法预测与六名病理学家的预测进行比较,评估了幻灯片级的TPS量化.
主要成果:
- 该算法获得了0.55的平均读者-AI F1得分,略低于观察者之间的协议 (平均读者-读者F1得分=0.68),特别是在外部临床数据上.
- 尽管存在细胞层面的挑战,但人工智能在量化TPS方面与病理学家达成了很好的协议 (平均读者-人工智能科恩的卡帕=0.49),与观察者之间的协议 (平均读者-读者卡帕=0.54) 相比.
- 这项研究建立了一个新的计算机视觉算法基准,使用多读者,多试验细胞级PD-L1数据集.
结论:
- 开发的深度学习算法显示了准确的细胞水平PD-L1表达检测的潜力.
- 人工智能在TPS量化方面与病理学家达成了有利的协议,为减少观察者间变异提供了一个有希望的工具.
- 该研究的模型在Grand-Challenge平台上公开发布,以促进进一步的研究和开发.
