ALK Digital Pathology Outcome Predition, Multi Institutional, Restrospektiv studie (ALKDigPath)

Dette er en retrospektiv studie. Alle data er samlet inn på forskjellige tidspunkter under pasientenes rutinemessige besøk på sykehuset.

1. Innsamling av et retrospektivt sett av ALK-positive pasienter med avansert NSCLC som har fått en avansert generasjons ALK-hemmerbehandling som den første ALK-hemmeren (dvs. Alectinib, Lorlatinib, Brigatinib eller Ceritinib): Innsamling av kliniske data, patologiske data, respons på behandling og skanninger H & E -bilder
2. Bildeanalyse av de skannede H & E-bildene, utvikling av en klassifiserer av dataene for å identifisere respondere kontra ikke-responderte.

Bildeanalyse og AI-utvikling vil bli utført ved Sheba Medical Center, egenutvikling. De kliniske dataene vil bli analysert, tagging av studieprøver som tilhørende en responder (R), kontra en ikke-responder (NR). I forbindelse med denne studien vil en NR bli definert som en pasient som har kommet frem eller døde på en ALK -hemmerbehandling i løpet av det første året etter behandling.

Studiesakene vil bli delt tilfeldig til tre: en treningskohort, en valideringskohort og en testkohort. Kohortene vil bli stratifisert av responsen på behandling (dvs. lik andel av R vs. NR -tilfeller i hver årskull). Deretter vil skannede bilder bli behandlet og analysert. Lysbilder Analyse ville bli gjort ved hjelp av Python ved hjelp av Pytorch -pakkene. Ytterligere statistisk analyse vil bli gjort med R -statistisk programmering.

Først er hele lysbildebildet (WSI) delt inn i tusenvis av fliser. Disse blir undersøkt av et Convolutional Neural Network (CNN) for å trekke ut flisnivåfunksjoner. Vi vil bruke RESNET, en vanlig dyp læringsmodell som brukes til datasyn som CNN. CNN vil bli opplært med flere forekomstlæring (MIL) på flisenivå, og senere vil de forutsagte poengsumene bli samlet for WSI -nivået. Den endelige modellen vil bli gjennomført på lysbildene, for å skille mellom R vs. NR. Klassifisereren vil bli utviklet på treningskohorten, modifisert om nødvendig etter behandling av valideringskohorten og til slutt testet for effekt på testkohorten. Tverrvalideringsteknikker vil også bli brukt.

Vi tar sikte på å bruke denne teknikken for å identifisere en undergruppe av ALK-positive pasienter som kan være kandidater for mer aggressive behandlingsalternativer.