ALK Digital Pathology Ergebnisergebnis, multi -institutionelle, restrospektive Studie (ALKDigPath)

Dies ist eine retrospektive Studie. Alle Daten wurden zu verschiedenen Zeitpunkten während der Routinebesuche der Patienten im Krankenhaus gesammelt.

1. Sammlung eines retrospektiven Satzes von ALK-positiven Patienten mit fortgeschrittenem NSCLC, die eine ALK-Inhibitor-Behandlung mit fortgeschrittener Generation als erster ALK-Inhibitor erhalten haben (d. H. Alectinib, Lorlatinib, Brigatinib oder Ceritinib): Sammlung der klinischen Daten, pathologische Daten, Reaktion auf die Behandlung und Scans -H & E -Bilder
2. Bildanalyse der gescannten H & E-Bilder, Entwicklung eines Klassifikators der Daten zur Identifizierung von Respondern im Vergleich zu Nicht-Respondern.

Die Bildanalyse und die KI-Entwicklung werden im SHEBA Medical Center in der internen Entwicklung durchgeführt. Die klinischen Daten werden analysiert, wobei die Tagging-Studienproben zu einem Responder (R) im Vergleich zu einem Nicht-Responder (NR) gehört. Für die Zwecke dieser Studie wird ein NR als Patient definiert, der im ersten Jahr der Behandlung durch eine ALK -Inhibitorbehandlung fortgeschritten ist oder gestorben ist.

Die Studienfälle werden zufällig auf drei aufgeteilt: eine Trainingskohorte, eine Validierungskohorte und eine Testkohorte. Die Kohorten werden durch die Reaktion auf die Behandlung geschichtet (d. H. Gleicher Anteil von R -vs. NR -Fällen in jeder Kohorte). Als nächstes werden gescannte Bilder verarbeitet und analysiert. Die Folienanalyse würde mit Python unter Verwendung der Pytorch -Pakete durchgeführt. Eine weitere statistische Analyse erfolgt mit der statistischen Programmierung.

Zunächst ist das gesamte Folienbild (WSI) in Tausende von Fliesen unterteilt. Diese werden von einem Faltungsnetz (CNN) mit Faltungsstücken untersucht, um Merkmale der Fliesenebene zu extrahieren. Wir werden Resnet verwenden, ein gemeinsames Deep -Learning -Modell, das für Computer Vision als CNN verwendet wird. Das CNN wird mit mehreren Instanzlernen (MIL) auf Fliesenebene trainiert und später werden die vorhergesagten Bewertungen für die WSI -Ebene aggregiert. Das endgültige Modell wird auf den Objektträgern durchgeführt, um zwischen r gegen nr zu unterscheiden. Der Klassifikator wird in der Trainingskohorte entwickelt, bei Bedarf nach der Verarbeitung der Validierungskohorte geändert und schließlich auf die Wirksamkeit in der Testkohorte getestet. Auch Kreuzvalidationen-Techniken werden verwendet.

Wir wollen diese Technik anwenden, um eine Untergruppe von ALK-positiven Patienten zu identifizieren, die möglicherweise Kandidaten für aggressivere Behandlungsoptionen sein.