人工智能驱动的PD-L1分析在肺癌中的监管前验证

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 在肺癌中使用瘤比例得分 (TPS) 评估编程死亡连接体1 (PD-L1) 表达对于免疫瘤学治疗至关重要.
• 病理学家间和病理学家内部TPS评分的变化,特别是在临床值 (<1%和50%),对一致的治疗决策提出了挑战.

研究的目的:

• 开发和评估一个深度学习 (DL) 工具,旨在帮助病理学家计算肺癌的TPS.
• 提高PD-L1评估的准确性和一致性,特别是在关键临床值周围.

主要方法:

• 开发用于TPS计算的深度学习算法.
• 利用经过验证的多重免疫光面板 (PD-L1,CD68,细胞激素) 来确定临床值周围的基本真实值.
• 该DL工具旨在突出接近1%和50%的手动审查门的案例,并解释中间分数.

主要成果:

• 该DL工具有助于识别PD-L1TPS得分接近临床临界值的肺癌病例.
• 该系统有助于更一致的手动审查和TPS值的直接解释.
• 证明了DL工具的潜力,以帮助组织生物标志物的定量评估.

结论:

• 深度学习工具可以显著帮助标准化肺癌PD-L1 TPS评估.
• 这项技术有可能提高免疫瘤学生物标志物量化的可靠性.
• 辅助DL系统为组织生物标志物的精确和可复制的临床定量提供了一个有希望的途径.