一个基于深度学习的测试对编程死亡干1免疫组织化学评分在非小细胞肺癌:它帮助病理学家得分吗?

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:

• 编程死亡配体1 (PD-L1) 表达对于预测非小细胞肺癌 (NSCLC) 免疫治疗反应至关重要.
• 病理学家对PD-L1瘤比例评分 (TPS) 的准确评估至关重要,但可能具有挑战性,导致观察者之间的变化.

研究的目的:

• 开发和评估一种人工智能 (AI) 系统,以协助病理学家计算NSCLC中22C3试验的PD-L1 TPS.
• 评估人工智能辅助系统对病理学家TPS评估的准确性和一致性的影响.

主要方法:

• 开发了一个AI模型来计算PD-L1 TPS,提供自动评分和可视化叠加图像.
• 评估了四种人工智能辅助评估方法,涉及病理学家的初步评估,随后进行人工智能审查,或在病理学家评估之前进行人工智能审查.
• 混合模型分析用于比较人工智能辅助方法与病理学家独立评分的准确性,特别是在不一致的情况下.

主要成果:

• 总的来说,人工智能辅助的TPS评估并没有显著改变病理学家在所有样本中的评分准确性.
• 在病理学家判断不一致的情况下 (332个样本),人工智能辅助方法显著提高了评估准确性 (ORs从1.28到1.29,P <.012).
• 在分析不一致的案例时,在四种人工智能辅助方法中没有观察到精度的显著差异.

结论:

• 人工智能辅助系统在提高NSCLC中PD-L1 TPS评估的准确性方面具有显著的实用性,特别是在具有观察者间变异性的具有挑战性的情况下.
• 开发的AI系统可以作为一种有价值的工具来支持病理学家,提高诊断一致性,并可能改善NSCLC患者的治疗决策.