一个弱监督的深度学习框架用于在肺癌中自动化PD-L1表达分析

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
• 癌症免疫治疗生物标志物

背景情况:

• 免疫检查点抑制剂 (ICI) 在癌症免疫治疗中至关重要,特别是在肺癌中.
• 精确的ICI患者选择依赖于瘤比例得分 (TPS).
• 病理学家的手动TPS评估显示出显著的变化和不一致.

研究的目的:

• 开发一个人工智能 (AI) 驱动的工具,从整个幻灯片图像中预测TPS.
• 在一致性和效率方面解决手动TPS评估的局限性.
• 为了改善免疫检查点抑制剂治疗的患者分层.

主要方法:

• 为TPS (MiLT) 开发一个多级别学习工具.
• 利用多个实例学习 (MIL) 来最大限度地减少对详细单元级注释的需求.
• 对内部和外部数据集的病理学家评估对MiLT性能的验证.

主要成果:

• MiLT与病理学家的TPS评估显示出很高的一致性 (ICC = 0.960).
• 人工智能工具在不同患者队伍中表现出强的表现.
• MiLT提供了标准化,高效和可适应的TPS预测.

结论:

• MiLT提供了一个可靠的,人工智能辅助的解决方案,用于肺癌中TPS评估.
• 该工具有可能减少病理学家之间的观察者间变异性.
• 需要进行进一步的临床试验,将MiLT纳入常规的病理诊断,并加强免疫治疗决策.