基于组织病理学的人工智能模型预测了癌临床试验中的抗血管原治疗反应

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 生物标志物发现发现

背景情况:

• 抗血管原性 (AA) 治疗对于转移性清细胞细胞癌 (ccRCC) 是至关重要的,但由于缺乏预测性生物标志物,患者的反应因而有所不同.
• 像CD31这样的当前标记物是不够的,而基于RNA的血管检测测值是昂贵的,缓慢的,并且与瘤异质性作斗争.

研究的目的:

• 开发一个可解释的深度学习 (DL) 模型,直接从组织病理学幻灯片预测血管生成.
• 创建一个具有成本效益和高效的方法来评估血管新生和预测ccRCC中的AA治疗反应.

主要方法:

• 开发了一个深度学习模型 (H&E DL Angio) 来从标准的H&E染色基因病理幻灯片中预测Angioscore.
• 在多个队伍中验证了该模型,将其性能与CD31和原始Angioscore.com进行了比较.

主要成果:

• 在H&E DL Angio中,与Angioscore有很强的相关性 (斯皮尔曼的rho=0.77和0.73).
• 血管新生与瘤等级和阶段相反相关,并与驱动器突变状态相关.
• 在现实世界和临床试验队列中,DL Angio有效地预测了AA反应,表现优于CD31并与Angioscore预测能力密切匹配 (c指数0.66与0.67).

结论:

• 在组织病理学幻灯片上可解释的深度学习为ccRCC中血管生成评估提供了强大的,具有成本效益的替代方案.
• H&E DL Angio可以指导抗血管性疗法选择,通过克服当前生物标志物的局限性来改善患者的治疗结果.