用人工智能驱动的图像分析用于在非小细胞肺癌中进行标准化编程死亡链接1表达评估
Chong Ge1,2, Yi Shi1,3, Wei Wang1,2,4
1Department of Pathology, the First Affiliated Hospital of USTC, Division of Life Sciences and Medicine, University of Science and Technology of China, Hefei, Anhui, 230036, China.
Diagnostic pathology
|September 27, 2025
概括
一个人工智能 (AI) 深度学习模型使用整个幻灯片图像准确量化非小细胞肺癌 (NSCLC) 中的编程死亡连接体1 (PD-L1) 表达. 这种人工智能方法提高了数字病理学工作流程的诊断效率和可靠性.
科学领域:
- 计算病理学计算病理学
- 在瘤学瘤学.
- 免疫组织化学 免疫组织化学
背景情况:
- 准确的编程死亡配体1 (PD-L1) 免疫组织化学 (IHC) 评估对于非小细胞肺癌 (NSCLC) 免疫治疗至关重要.
- 目前的PD-L1解释是主观的,耗时的,容易引起观察者之间的变化,可能导致患者错误分层.
研究的目的:
- 开发和验证人工智能 (AI) 深度学习模型,用于在NSCLC中自动量化PD-L1表达.
- 提高PD-L1评估在数字病理学中的准确性,速度和一致性.
主要方法:
- 开发了一种深度学习方法,使用三个队列中的706名NSCLC患者的1212个整片图像 (WSI).
- 提取瘤区域,并使用多粒度多实例学习方法捕获补丁级形态特征.
- 一个多粒度表达式解释器模型聚合了特征来分层PD-L1表达状态.
主要成果:
- 人工智能模型表现出强大的解释能力和在不同样本类型 (手术,活检,转移) 中广泛的应用性.
- 在接收器运行特征曲线 (AUC) 下实现了高宏观平均面积值,在样本类型和队列中从0.844到0.958不等.
结论:
- 深度学习为从复杂的IHC图像中自动化,快速和准确地推断PD-L1表达式提供了显著的潜力.
- 人工智能框架可以大大提高PD-L1检测的常规数字病理学工作流程.
