在血管肉瘤中PD-L1表达评估在人工智能支持下得到改善

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 人工智能的人工智能

背景情况:

• 瘤PD-L1表达对于癌症治疗中的免疫疗法选择至关重要.
• 由于时间限制,病理学家对瘤比例评分 (TPS) 的准确评估具有挑战性,导致观察者之间的一致性较低.
• 罕见的癌症类型对开发基于AI的预测工具构成数据瓶.

研究的目的:

• 开发和验证人工智能驱动的管道,用于预测癌症中的瘤比例得分 (TPS).
• 通过使用预先训练的通用模型,应对罕见癌症的有限培训数据的挑战.
• 评估人工智能辅助TPS评分在改善病理学评估中的实际实用性.

主要方法:

• 开发并开源了一个计算管道,利用预先训练的模型进行TPS预测.
• 应用管道来预测TPS,特别是用于罕见的癌症类型,如血管肉瘤.
• 促进了反循环,病理学家重新评估了具有显著AI-病理学家分歧的病例.

主要成果:

• 人工智能管道表现出强大的TPS预测性能,即使训练数据有限.
• 病理学家经常在审查AI预测后更新他们的TPS得分,这些预测与他们最初的评估有很大不同.
• 人工智能工具作为一种有价值的"第二意见",提高了诊断准确度.

结论:

• 基于人工智能的TPS预测工具在技术上是可行的,并且在实际上对协助病理学家非常有价值,特别是在罕见癌症中.
• 利用通用主义者,预先训练有素的模型克服了开发AI诊断辅助器的数据限制,用于代表性不足的癌症类型.
• 人工智能协助有可能提高癌症免疫治疗选择的决策质量.