人工智能增强了PD-L1 CPS在三阴性乳腺癌中的全幻灯片解释:一个多机构环状研究

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:

• 准确评估编程细胞死亡-1 (PD-L1) 组合阳性得分 (CPS) 对于预测三阴性乳腺癌 (TNBC) 免疫治疗疗效至关重要.
• 病理学家对PD-L1 CPS的解释目前表现出显著的变化,影响诊断一致性和准确性.
• 需要客观,可重复的方法来评估TNBC标本中的PD-L1 CPS.

研究的目的:

• 开发和评估一种人工智能 (AI) 辅助的方法,用于在TNBC中客观地解释PD-L1 CPS.
• 评估人工智能工具对不同经验水平的病理学家PD-L1 CPS评分的一致性和准确性的影响.
• 在多机构环境中确定人工智能辅助PD-L1 CPS解释的可重复性和接受性.

主要方法:

• 采用了深度学习框架,在补丁层面整合了细胞和组织区域分析,随后将结果整体幻灯片融合.
• 进行了三轮环状研究,涉及来自四个机构的21名病理学家.
• 病理学家在TNBC标本中评估PD-L1 CPS,使用视觉评估和人工智能辅助方法,提供连续得分.

主要成果:

• 对PD-L1 CPS的视觉评估显示了显著的病理学家间差异和弱的一致性.
• 人工智能辅助方法在病理学家之间没有显著差异 (P=0.43),并大幅增加了类内相关系数 (ICC) 从0.618增加到0.931.
• 解释准确性提高到0.919,初级病理学家显示AI结果的最高接受率 (80%的整体接受率).

结论:

• 人工智能辅助的诊断方法显著提高了具有不同经验水平的病理学家在PD-L1 CPS解释中的一致性和可重复性.
• 开发的AI方法在加强TNBC临床实践中的诊断一致性和可重复性方面被证明是有效的.
• 人工智能辅助解释提供了一个有希望的解决方案,以克服个性化癌症治疗PD-L1评分的观察者间变异性.