在非小细胞肺癌中预测表皮生长因子受体突变亚型从使用深度学习的血素和酸盐染色片的非小细胞肺癌
Wanqiu Zhang1, Wei Wang1, Yao Xu2
1Department of Pathology, the First Affiliated Hospital of USTC, Division of Life Sciences and Medicine, University of Science and Technology of China, Hefei, Anhui, China; Intelligent Pathology Institute, Division of Life Sciences and Medicine, University of Science and Technology of China, Hefei, Anhui, China.
概括
一个人工智能深度学习框架准确地预测了非小细胞肺癌中的表皮生长因子受体 (EGFR) 突变,从组织病理学图像. 这种人工智能方法为传统分子测试提供了快速,经济有效和非侵入性的替代方案.
科学领域:
- 数字病理学数字病理学
- 在瘤学中使用人工智能
- 基因组医学是基因组医学.
背景情况:
- 精确的表皮生长因子受体 (EGFR) 突变状态对于非小细胞肺癌 (NSCLC) 治疗至关重要.
- 传统的EGFR突变分子检测具有局限性,需要新的方法.
研究的目的:
- 开发和验证一种深度学习框架,用于预测NSCLC中的EGFR突变状态和亚型,使用组织病理学全幻灯片图像.
- 与传统方法相比,评估人工智能模型的性能.
主要方法:
- 开发了一个深度学习框架,利用卷积神经网络与对比学习和视觉变压器.
- 该模型是通过来自多个队伍的血素和素染色基因病理学图像进行训练和验证的,包括癌症基因组图谱 (TCGA).
- 弱监督学习用于从整个幻灯片图像进行预测.
主要成果:
- 人工智能模型在内部和外部验证队列中实现了高性能,曲线下的面积 (AUC) 值从0.849到0.927.
- 对EGFR突变亚型预测的灵敏度在79.2%至84.6%之间,特异性在90.5%至93.0%之间.
- 该模型在手术切除和活检样本中表现出一致的准确性.
结论:
- 深度学习提供了一种潜在的自动化,非侵入性,快速和具有成本效益的方法,用于从组织形态学中推断EGFR变化.
- 将AI框架集成到数字病理学工作流中可以增强NSCLC现有的分子测试管道.
