ALK Digital Pathology Resultado Predition, estudio múltiple institucional y restrespendente (ALKDigPath)

Este es un estudio retrospectivo. Todos los datos se han recopilado en diferentes puntos de tiempo durante las visitas de rutina de los pacientes en el hospital.

1. Recolección de un conjunto retrospectivo de pacientes con ALK positivos con CPRCC avanzado que han recibido un tratamiento con inhibidor de ALK de generación avanzada como el primer inhibidor de ALK (es decir, alectinib, lorlatinib, brigatinib o ceritinib): recopilación de datos clínicos, datos patológicos, respuesta a tratamiento y escaneos H&E Imágenes
2. Análisis de imágenes de las imágenes de H&E escaneadas, desarrollo de un clasificador de los datos para identificar a los respondedores frente a los no respondedores.

El análisis de imágenes y el desarrollo de la IA se llevarán a cabo en el Sheba Medical Center, desarrollo interno. Se analizarán los datos clínicos, etiquetando muestras de estudio como pertenecientes a un respondedor (R), frente a un no contenido de respuesta (NR). A los efectos de este estudio, un NR se definirá como un paciente que ha progresado o muerto en un tratamiento con inhibidores de ALK dentro del primer año de tratamiento.

Los casos de estudio se dividirán al azar a tres: una cohorte de entrenamiento, una cohorte de validación y una cohorte de prueba. Las cohortes se estratificarán por la respuesta al tratamiento (es decir, igual proporción de casos R vs. NR en cada cohorte). A continuación, las imágenes escaneadas serán procesadas y analizadas. El análisis de diapositivas se realizaría utilizando Python utilizando los paquetes de Pytorch. Se realizará un análisis estadístico adicional con la programación estadística R.

Al principio, toda la imagen de diapositivas (WSI) se divide en miles de mosaicos. Estos son examinados por una red neuronal convolucional (CNN) para extraer características de nivel de baldosas. Utilizaremos ResNet, un modelo de aprendizaje profundo común utilizado para la visión por computadora como el CNN. El CNN será entrenado con aprendizaje de instancias múltiples (MIL) a nivel de mosaico y luego los puntajes predichos se agregarán para el nivel WSI. El modelo final se llevará a cabo en las diapositivas, para distinguir entre R vs. NR. El clasificador se desarrollará en la cohorte de capacitación, se modificará si es necesario después del procesamiento de la cohorte de validación y finalmente se analizará la eficacia en la cohorte de prueba. También se utilizarán técnicas de validaciones cruzadas.

Nuestro objetivo es utilizar esta técnica para identificar un subgrupo de pacientes con ALK positivos que podrían ser candidatos para opciones de tratamiento más agresivas.