深度学习从组织学图像中预测EGFR突变状态 在非小细胞肺癌中

科学领域:

• 数字病理学数字病理学
• 在瘤学中使用人工智能
• 生物标志物发现发现

背景情况:

• 非小细胞肺癌 (NSCLC) 的EGFR突变查具有全球变异性,造成了显著的护理差距.
• 深度学习 (DL) 显示出从组织学图像中提取可操作特征的前景,在其他领域获得监管批准.
• 整合预测DL可以提高NSCLC的EGFR突变查率.

研究的目的:

• 开发和验证一个DL模型,用于从NSCLC中常规的血素和素 (H&E) 染色组织学图像中预测EGFR突变状态.
• 评估模型在各种数据集中的性能,包括各种组织学亚型,样本类型和成像平台.

主要方法:

• 一个DL模型,Lunit SCOPE基因型预测器,在超过12,000张全幻灯片图像上接受了训练.
• 该模型在不同的数据集 (n=1,461和n=599) 和多扫描仪测试集 (n=2,261) 上进行了验证.
• 在不同的子组中,使用接收器操作特征曲线 (AUROC) 下的面积来评估性能.

主要成果:

• 在初始验证组中,DL模型实现了0.905的整体AUROC.
• 在样本类型 (活检:0.804,切除:0.912) 和组织学亚型 (腺癌:0.880) 中观察到强大的性能.
• 该模型在独立的国际测试组中获得了0.860的AUROC,并在多个幻灯片扫描仪中显示出高一致性.

结论:

• 卢尼特SCOPE基因型预测器有效地从NSCLC的常规组织学图像中预测EGFR突变状态.
• 该模型在各种环境中的验证性能支持其在常规临床实践中的潜在应用.
• 这种人工智能驱动的方法可能有助于增强分子EGFR突变查,并提高生物标志物测试率.