评估机器学习/人工智能模型的管道,以量化编程死亡干1免疫组织化学
Beatrice S Knudsen1, Alok Jadhav2, Lindsey J Perry3
1Department of Pathology, University of Utah, Salt Lake City, Utah; Huntsman Cancer Institute, University of Utah, Salt Lake City, Utah.
概括
在肺癌中对编程死亡配体1 (PD-L1) 免疫组织化学 (IHC) 的自动化分析提高了效率. 一个新的4步管道准确地测量瘤比例得分 (TPS),帮助病理学家在治疗决策中.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 癌症诊断 癌症诊断 癌症诊断
背景情况:
- 针对编程死亡配体1 (PD-L1) 的免疫组织化学 (IHC) 对于指导癌症免疫疗法至关重要,特别是在检查点抑制剂中.
- 准确的PD-L1表达的得分,特别是瘤比例得分 (TPS),由于癌症和免疫细胞的异质染色具有挑战性,需要专家病理学家和大量的时间.
研究的目的:
- 开发和验证一种计算管道,用于在肺癌中自动测量PD-L1瘤比例得分 (TPS).
- 评估用于癌症区域细分和PD-L1量化深度学习模型的准确性和效率.
主要方法:
- 开发了一个四步管道,整合了血素和素,PD-L1和负控制 (NC) 数字幻灯片.
- 深度实验室V3模型在PD-L1和NC图像上接受了癌症区域细分的训练,使用平均交叉与联合 (mIoU) 评估性能.
- 数字TPS在细分的癌症区域内计算,并与手动TPS得分进行比较.
主要成果:
- 癌症细分模型在NC图像上实现了0.82的mIoU,在PD-L1图像上达到0.79.
- 与来自病理学报告的手动TPS得分相比,数字TPS获得了75%的准确性.
- 确定了与免疫细胞包容和核细分相关的算法不准确性.
结论:
- 开发的4步计算管道为肺癌中自动PD-L1 TPS测量提供了一个透明和逐步的方法.
- 这种方法可以通过提供有关自动化IHC评分系统的性能和应用的见解来帮助病理学家.
- 该方法可用于评估其他IHC测定,从而有可能提高诊断效率和一致性.
