一项关于Upath PD-L1 (SP263) 人工智能 (AI) 算法的诊断性能在用PD-1/PD-L1检查点阻塞治疗NSCLC的患者中的初步研究

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:

• PD-L1表达是预测非小细胞肺癌 (NSCLC) 免疫检查点抑制剂反应的关键生物标志物.
• 准确量化PD-L1瘤比例得分 (TPS) 对治疗决策至关重要.

研究的目的:

• 评估基于AI的Upath PD-L1 (SP263) 平台在量化PD-L1表达的诊断性能.
• 评估Upath PD-L1评分在接受单剂PD-1/PD-L1阻塞的高级NSCLC患者中预测临床结果的能力.

主要方法:

• 对44名接受免疫治疗的晚期NSCLC患者的回顾性分析.
• 通过Upath PD-L1 (SP263) 算法评估的PD-L1 TPS与标准临床评估的比较.
• 在UPath PD-L1得分和临床结果 (整体存活率,无进展存活率) 之间的相关性分析.

主要成果:

• 乌帕斯PD-L1得分与基线PD-L1TPS (r=0.83,p<0.01) 有显著的相关性.
• 虽然只有61.4%的病例处于同一个临床相关的TPS范围 (≥50%vs<50%),但Upath PD-L1得分显示出预测死亡风险的良好诊断能力 (AUC=0.81).
• uPath PD-L1类别与改善的整体存活率 (HR=2.45) 和无进展存活率 (HR=3.04) 独立相关.

结论:

• 基于人工智能的数字病理学工具,如UPath PD-L1 (SP263),在优化免疫瘤治疗的现有生物标志物方面表现有前途.
• uPath PD-L1分析可能为接受免疫治疗的NSCLC患者提供独立的预后价值.
• 需要在更大的队列中进一步验证,以确认AI驱动的PD-L1评估的临床实用性.