一个新的深度学习框架,用于在非小细胞肺癌中自动评分PD-L1表达

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
• 生物标志物的量化和量化.

背景情况:

• 编程死亡配体1 (PD-L1) 表达是非小细胞肺癌 (NSCLC) 抗PD-1/PD-L1免疫疗法的关键预测标记.
• 目前通过免疫组织化学 (IHC) 和病理学家的瘤比例得分 (TPS) 评估对PD-L1表达的评估可能是主观的和耗时的.
• 自动化TPS评估对于提高确定患者适用于免疫治疗的准确性,一致性和效率至关重要.

研究的目的:

• 开发和验证一个新的自动化深度学习框架,用于在NSCLC全幻灯片图像 (WSI) 中准确的PD-L1表达和TPS评估.
• 提高TPS评估的准确性和一致性,从而优化免疫治疗患者的选择.
• 减少病理学家的工作量,并可能降低生物标志物评估的成本.

主要方法:

• 开发了一个深度学习框架,涉及瘤补丁识别,瘤区域细分和细胞核检测,使用了EfficientNet,Inception,Vision Transformer,UNet,DeepLabV3+和StarDist等模型.
• 使用混合人机方法对66个NSCLC WSIs的数据集进行了注释.
• 该框架估计TPS基于正染色与总可活性瘤细胞的比例,将PD-L1表达分为负面 (<1%),低 (1-49%) 和高 (≥50%) 水平.

主要成果:

• 视觉变压器模型在分类方面获得了高F1分数97.54%,而修改后的DeepLabV3+模型在细分方面获得了83.47%的子相似系数.
• 该框架预测的TPS显示与病理学家评估有很强的相关性 (0.9635).
• 自动化三级PD-L1表达分类实现了93.89%的F1得分.

结论:

• 拟议的深度学习框架显示了在NSCLC中自动化PD-L1 TPS评估的有希望的性能.
• 这种自动化方法有可能以更高效和更具成本效益的方式提供临床显著的结果.
• 该框架提供了一个可行的工具,以提高PD-L1生物标志物评估的准确性和一致性,以选择免疫疗法.