Previsione del risultato della patologia digitale ALK, studio multi istituzionale e restrittivo (ALKDigPath)

Questo è uno studio retrospettivo. Tutti i dati sono stati raccolti in diversi punti temporali durante le visite di routine dei pazienti in ospedale.

1. Raccolta di un set retrospettivo di pazienti con ALK positivi con NSCLC avanzato che hanno ricevuto un trattamento con inibitore ALK di generazione avanzata come primo inibitore ALK (cioè Alectinib, Lorlatinib, Brigatinib o Ceritinib): raccolta dei dati clinici, dati patologici, risposta al trattamento e scansioni Immagini H&E
2. Analisi delle immagini delle immagini H&E scansionate, sviluppo di un classificatore dei dati per identificare i soccorritori rispetto ai non responder.

L'analisi delle immagini e lo sviluppo dell'intelligenza artificiale saranno effettuati presso il Sheba Medical Center, lo sviluppo interno. Verranno analizzati i dati clinici, taggando i campioni di studio come appartenente a un risponditore (R), rispetto a un non rispondente (NR). Ai fini di questo studio, un NR sarà definito come un paziente che è progredito o morto per un trattamento con inibitore ALK entro il primo anno di trattamento.

I casi di studio saranno divisi casualmente in tre: una coorte di addestramento, una coorte di validazione e una coorte di test. Le coorti saranno stratificate dalla risposta al trattamento (ad es. Pari proporzione di casi R vs. NR in ciascuna coorte). Successivamente, le immagini scansionate verranno elaborate e analizzate. L'analisi delle diapositive verrebbe eseguita usando Python usando i pacchetti Pytorch. Ulteriori analisi statistiche verranno condotte con R programmazione statistica.

Inizialmente l'intera immagine di diapositiva (WSI) è divisa in migliaia di piastrelle. Questi sono esaminati da una rete neurale convoluzionale (CNN) per estrarre le caratteristiche del livello delle piastrelle. Utilizzeremo Resnet, un comune modello di apprendimento profondo utilizzato per la visione artificiale come CNN. La CNN sarà addestrata con più istanze (MIL) a livello di piastrelle e successivamente i punteggi previsti saranno aggregati per il livello WSI. Il modello finale sarà condotto sulle diapositive, per distinguere tra R vs. Nr. Il classificatore sarà sviluppato sulla coorte di addestramento, modificato se necessario dopo l'elaborazione della coorte di convalida e infine testato per l'efficacia nella coorte di test. Verranno anche utilizzate tecniche di convalida incrociate.

Miriamo a utilizzare questa tecnica per identificare un sottogruppo di pazienti ALK positivi che potrebbero essere candidati per opzioni di trattamento più aggressive.