基于全幻灯片图像的弱监督深度学习,用于预测新辅助化疗免疫治疗后非小细胞肺癌的主要病理反应:多中心,回顾性,队列研究

科学领域:

• 数字病理学数字病理学
• 计算瘤学是一种计算瘤学.
• 医学中的人工智能

背景情况:

• 对主要病理反应 (MPR) 的准确预测对于优化可切除非小细胞肺癌 (NSCLC) 的新辅助化疗免疫疗法 (NICT) 至关重要.
• 整个幻灯片图像 (WSI) 包含丰富的信息,但需要先进的分析技术来提取预测特征.

研究的目的:

• 开发和验证一个弱监督的深度学习模型,用于预测NICT接受NSCLC患者的MPR.
• 为了利用WSIs进行治疗反应的非侵入性预测.

主要方法:

• 从186名NSCLC患者的治疗前WSIs的回顾性分析.
• 在补丁和幻灯片层面应用弱监督的深度学习架构 (DenseNet121,ResNet50,Inception V3).
• 使用多实例学习和与临床预测因子进行比较,整合了一种新的病理学特征.

主要成果:

• 组织学是MPR的显著预后因素 (P<0.05).
• 深度学习模型显示预测性能中等 (AUC范围从0.611到0.656).
• 一个综合的病理学-临床名谱实现了高分辨准确度 (AUC为0.819-0.820),XGBoost显示出优异的性能 (AUC=0.805在测试中).

结论:

• 对WSIs应用的弱监督深度学习是预测NICT治疗NSCLC患者的MPR的一个有希望的工具.
• 与临床数据集成的病理学特征显著提高了预测准确性.
• 用人工智能驱动的WSI分析可以改善NSCLC的个性化治疗策略.