从H&E的幻灯片中预测NSCLC中的ROS1和ALK融合,采用两步视力变压器方法

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:

• 非小细胞肺癌 (NSCLC) 是癌症死亡的主要原因,其特点是分子异质性.
• 像ALK和ROS1融合这样的遗传变化驱动瘤行为,但需要特定的向疗法.
• 目前的检测方法 (FISH,IHC,测序) 是昂贵的,耗时的,并且依赖于组织.

研究的目的:

• 开发和验证一个深度学习框架,以使用整个幻灯片图像 (WSI) 来识别NSCLC中的ALK和ROS1融合.
• 评估使用人工智能作为可扩展,具有成本效益的预选工具,用于在NSCLC中选择向治疗的可行性.

主要方法:

• 利用了33 014名NSCLC患者的大量队列,其中包括H&E染色的FFPE瘤样本.
• 使用视觉变压器 (MoCo-V3) 进行特征提取和基于变压器的模型进行融合预测.
• 由于有限的阳性样本,为ROS1融合实施了专门的两步培训.

主要成果:

• 在一个持久数据集上,实现了高预测性能,ROC AUC为ROS1的0.85,ALK的0.84.
• 证明了在WSIs上深度学习的有效性,用于检测ALK和ROS1融合.
• 在队列中确定了306例ROS1阳性和697例ALK阳性病例.

结论:

• 在H&E WSIs上的深度学习为检测NSCLC中的ALK和ROS1融合提供了可扩展,准确和成本效益的方法.
• 这种人工智能框架可以作为预选工具,以优化针对性治疗和临床试验的患者选择.
• 通过促进及时获得适当疗法来提高NSCLC患者的治疗效率和治疗结果的潜力.