在癌细胞中PD-L1表达的可预测性仅基于H&E染色部分

科学领域:

• 计算病理学计算病理学
• 生物标志物的量化和量化.
• 精准医学是一门精准的医学.

背景情况:

• 对于选择免疫检查点抑制剂 (ICI) 治疗的患者来说,PD-L1表达非常重要.
• 对于PD-L1评估的免疫组织化学受到了观察者之间的变化和资源密集性的影响.
• 人工智能 (AI) 为标准化和可重现的生物标志物量化提供了潜力.

研究的目的:

• 研究AI的应用,特别是深度学习,用于从血素和色素染色的幻灯片中预测PD-L1表达.
• 评估人工智能模型在估计PD-L1水平和预测ICI反应方面的准确性.
• 探索人工智能与多式联络数据的整合,以改善患者分层.

主要方法:

• 利用深度学习算法来分析组织学幻灯片.
• 开发基于人工智能的方法来预测PD-L1表达.
• 将人工智能驱动的评估与传统的评分方法进行比较 (瘤比例得分,综合阳性得分).

主要成果:

• 人工智能模型在估计各种癌症类型的PD-L1表达方面表现出高准确度.
• 人工智能预测在预测ICI反应方面表现出有效性.
• 与手动评分相比,人工智能驱动的评估减少了主观性.

结论:

• 人工智能驱动的计算病理学为PD-L1评估提供了更快,客观和成本效益的方法.
• 人工智能通过改善免疫疗法患者分层来增强个性化的瘤学和精确医学.
• 进一步验证,标准化和监管部门的批准是临床实施所必需的.