ALK Digital Pathology Resultat Predition, Multi Institutional, Remisterse Study (ALKDigPath)

To jest retrospektywne badanie. Wszystkie dane zostały zebrane w różnych punktach czasowych podczas rutynowych wizyt pacjentów w szpitalu.

1. Zbieranie retrospektywnego zestawu pacjentów z dodatnim ALK z zaawansowanym NSCLC, którzy otrzymali leczenie inhibitorów ALK zaawansowanej generacji jako pierwszy inhibitor ALK (tj. Alectinib, lorlatinib, brygatynib lub cerytynib): Zbieranie danych klinicznych, danych patologicznych, odpowiedzi na leczenie i skanowanie obrazów H&E
2. Analiza obrazu zeskanowanych obrazów H&E, opracowanie klasyfikatora danych w celu zidentyfikowania respondentów vs. niereagujących.

Analiza obrazu i rozwój AI zostaną przeprowadzone w Sheba Medical Center, wewnętrznym rozwoju. Dane kliniczne zostaną przeanalizowane, oznaczając próbki badań jako należące do respondera (R), w porównaniu z brakiem odpowiedzi (NR). Do celów tego badania NR zostanie zdefiniowany jako pacjent, który rozwinął lub zmarł podczas leczenia inhibitora ALK w pierwszym roku leczenia.

Przypadki badań zostaną losowo podzielone na trzy: kohorta szkoleniowa, kohorta walidacyjna i kohorta testowa. Kohorty będą stratyfikowane przez odpowiedź na leczenie (tj. Równy odsetek przypadków R vs. NR w każdej kohorcie). Następnie zeskanowane obrazy zostaną przetworzone i analizowane. Analiza slajdów zostałaby przeprowadzona za pomocą Pythona za pomocą pakietów Pytorch. Dalsza analiza statystyczna zostanie przeprowadzona z programowaniem statystycznym R.

Początkowo obraz całego slajdu (WSI) jest podzielony na tysiące płytek. Są one badane przez splotową sieć neuronową (CNN) w celu wyodrębnienia cech poziomu płytek. Będziemy korzystać z Resnet, wspólnego modelu głębokiego uczenia się używanego do wizji komputerowej jako CNN. CNN zostanie przeszkolony z wieloma instancjami uczenia się (MIL) na poziomie płytek, a później przewidywane wyniki będą agregowane dla poziomu WSI. Ostateczny model zostanie przeprowadzony na slajdach, aby rozróżnić r vs. nr. Klasyfikator zostanie opracowany w grupie szkoleniowej, zmodyfikowany w razie potrzeby po przetworzeniu kohorty sprawdzania poprawności i ostatecznie przetestowany pod kątem skuteczności w grupie testowej. Zostaną również zastosowane techniki walidacji krzyżowych.

Naszym celem jest zastosowanie tej techniki, aby zidentyfikować podgrupę pacjentów pozytywnych ALK, którzy mogą być kandydatami do bardziej agresywnych opcji leczenia.