基于深度学习的数字病理学,用于预测在晚期胃癌中对一线PD-1阻塞的治疗反应

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 第一线化疗是高级不可切除的胃癌 (GC) 的标准.
• 最近FDA对PD-1抑制剂加上化疗的批准提供了显著的好处,但由于成本和副作用,需要精确的患者选择.
• 深度学习 (DL) 在从病理图像预测瘤治疗反应方面表现有前途.

研究的目的:

• 用DL分析病理图像来预测治疗对第一线PD-1抑制剂的反应,并与晚期GC的化疗相结合.
• 开发一种用于预测治疗反应的新型组织病理生物标志物.

主要方法:

• 一个多中心的回顾性分析的血素和乙素 (H&E) 染色的幻灯片从先进的GC患者.
• 在一个整体方法中使用了三种DL模型,从整个幻灯片图像 (WSI) 中创建免疫检查点抑制剂响应得分 (ICIsRS).
• 治疗反应使用iRECIST 1.1标准进行评估.

主要成果:

• 一个集体DL模型ICIsNet使用来自264名患者的313个WSIs的148,181个补丁开发.
• 该模型在测试数据集中实现了高预测准确性,AUC值为0.92,0.95,0.96和1.
• ICIsRS在治疗反应良好和不良的患者之间显示了统计学上显著的差异 (p < 0.001).

结论:

• ICIsRS是一个来自WSIs的DL衍生生物标志物,有效地预测了高级GC中PD-1联合化疗的反应.
• 这种生物标志物为个性化治疗规划提供了一种新的方法.
• 它使得基于患者特异性反应的更个性化和潜在有效的治疗策略.