ALKデジタル病理学の結果の前向き、多施設、抑制的研究 (ALKDigPath)

これは遡及的研究です。 すべてのデータは、病院での患者の定期的な訪問中にさまざまな時点で収集されています。

1. 進行したNSCLCのALK陽性患者の遡及的セットの収集は、最初のALK阻害剤として進行したALK阻害剤処理を受けた（すなわち。 アレクチニブ、ロラチニブ、ブリガチニブまたはセリチニブ）：臨床データの収集、病理学的データ、治療への反応、およびH＆E画像をスキャンする
2. スキャンされたH＆E画像の画像分析、レスポンダーと非応答者を識別するためのデータの分類器の開発。

画像分析とAIの開発は、社内開発のSheba Medical Centerで実施されます。 臨床データが分析され、研究サンプルはレスポンダー（R）に属するものとしてタグ付けされ、対立者（NR）をタグ付けします。 この研究の目的のために、NRは、治療の最初の年以内にALK阻害剤治療で進行または死亡した患者として定義されます。

調査症例は、トレーニングコホート、検証コホート、テストコホートの3つにランダムに分割されます。 コホートは、治療への反応によって層別化されます（つまり、 各コホートのr対nr症例の等しい割合）。 次に、スキャンされた画像が処理されて分析されます。 スライド分析は、Pytorchパッケージを使用してPythonを使用して行われます。 R統計プログラミングでは、さらなる統計分析が行われます。

最初は、スライド画像全体（WSI）が何千ものタイルに分割されています。 これらは、畳み込みニューラルネットワーク（CNN）によって検査され、タイルレベルの特徴を抽出します。 CNNとしてコンピュータービジョンに使用される一般的な深い学習モデルであるResNetを使用します。 CNNは、タイルレベルで複数のインスタンス学習（MIL）でトレーニングされ、その後の予測スコアはWSIレベルで集計されます。 最終モデルは、r対nrを区別するためにスライドで行われます。 分類器はトレーニングコホートで開発され、検証コホートの処理後に必要に応じて変更され、最後にテストコホートでの有効性についてテストされます。 相互検証技術も使用されます。

この手法を使用して、より積極的な治療オプションの候補者である可能性のあるALK陽性患者のサブグループを特定することを目指しています。