一个深度学习模型,用于从胃肠道 stromal 瘤的组织学预测氨酸激酶抑制剂的反应

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 胃肠道 stromal 瘤 (GIST) 的研究.

背景情况:

• 超过90%的GIST具有KIT或PDGFRA突变,指导氨酸激酶抑制剂 (TKI) 治疗.
• 目前用于突变测试的基因测序是昂贵的,耗时的,容易出现分析前的错误.
• 在GIST患者中,NCCN的指导方针建议对TKI治疗选择进行突变测试.

研究的目的:

• 开发和验证基于人工智能 (AI) 的深度学习 (DL) 模型,用于预测GIST中的TKI治疗反应.
• 使用卷积神经网络 (CNN) 分析数字化血素和素 (H&E) 染色组织学部分.
• 评估该模型在GIST患者中预测对伊马替尼布和阿瓦普里提尼布的反应的能力.

主要方法:

• 开发一种使用卷积神经网络 (CNN) 的深度学习 (DL) 模型.
• 对GIST瘤样本的数字化H&E染色组织学部分的分析.
• 独立测试为预测伊马替尼布和阿瓦普利提尼布的反应,包括剂量调整和野生型病例的验证.

主要成果:

• DL模型实现了高预测性能,病例级AUC为0.902的意马替尼b灵敏度和0.958的阿瓦普里提尼布灵敏度.
• 幻灯片级AUC显示出强大的预测能力,达到0.922对阿瓦普里提尼布敏感病例.
• DL模型显示,对TKI反应的测序基查的预测准确度与测序基查的预测准确度相当或更高,并且对预测非反应的准确度明显更高.

结论:

• 开发的DL模型使用组织图像分析有效预测GIST患者的TKI治疗反应.
• 这种由人工智能驱动的方法提供了一个潜在的更快,更具成本效益的替代方案,用于选择治疗的基因测序.
• 基于组织学的DL分析具有改善GIST管理中的个性化治疗策略的巨大潜力.