ALK Digital Pathology Resultou (ALKDigPath)

Este é um estudo retrospectivo. Todos os dados foram coletados em diferentes momentos durante as visitas de rotina dos pacientes no hospital.

1. Coleta de um conjunto retrospectivo de pacientes positivos para ALK com NSCLC avançado que receberam um tratamento de inibidor de ALK de geração avançada como o primeiro inibidor da ALK (ou seja, Alectinib, Lorlatinib, Brigatinib ou Ceritinib): Coleção de dados clínicos, dados patológicos, resposta ao tratamento e imagens de H&E Scans H&E
2. Análise de imagem das imagens de H&E digitalizadas, desenvolvimento de um classificador dos dados para identificar respondedores versus não respondedores.

Análise de imagem e desenvolvimento de IA serão realizados no Sheba Medical Center, no desenvolvimento interno. Os dados clínicos serão analisados, marcando amostras de estudo como pertencente a um respondedor (R), vs. não-responde (NR). Para os fins deste estudo, um NR será definido como um paciente que progrediu ou morreu em um tratamento com inibidor da ALK no primeiro ano de tratamento.

Os casos de estudo serão divididos aleatoriamente em três: uma coorte de treinamento, uma coorte de validação e uma coorte de teste. As coortes serão estratificadas pela resposta ao tratamento (ou seja, proporção igual de casos de R vs. NR em cada coorte). Em seguida, as imagens digitalizadas serão processadas e analisadas. A análise dos slides seria feita usando o Python usando os pacotes Pytorch. Análises estatísticas adicionais serão feitas com a programação estatística r.

A princípio, toda a imagem do slide (WSI) é dividida em milhares de ladrilhos. Eles são examinados por uma rede neural convolucional (CNN) para extrair recursos de nível de ladrilhos. Usaremos o RESNET, um modelo de aprendizado profundo comum usado para a visão computacional como a CNN. A CNN será treinada com o aprendizado de múltiplas instâncias (MIL) no nível do ladrilho e, posteriormente, as pontuações previstas serão agregadas para o nível WSI. O modelo final será realizado nos slides, para distinguir entre R vs. NR. O classificador será desenvolvido na coorte de treinamento, modificado se necessário após o processamento da coorte de validação e finalmente testado quanto à eficácia na coorte de teste. Técnicas de validações cruzadas também serão usadas.

Nosso objetivo é usar essa técnica para identificar um subgrupo de pacientes positivos para ALK que pode ser candidatos a opções de tratamento mais agressivas.