ALK Digital Pathology Sutcom (ALKDigPath)

Это ретроспективное исследование. Все данные были собраны в разные моменты времени во время обычных посещений пациентов в больнице.

1. Сбор ретроспективного набора ALK-положительных пациентов с Advanced NSCLC, которые получили лечение ингибитора ALK передового поколения в качестве первого ингибитора ALK (т.е. Алектиниб, Лорлатиниб, Бригатиниб или Церитиниб): Сбор клинических данных, патологические данные, реакция на лечение и сканирование H & E Изображения
2. Анализ изображений отсканированных изображений H & E, разработка классификатора данных для идентификации респондентов против не отвечающих.

Анализ изображений и разработка ИИ будут проводиться в Медицинском центре Sheba, собственном развитии. Клинические данные будут проанализированы, и отмечают образцы исследования как принадлежащие респонденту (R), против не отвечающего (NR). Для целей данного исследования NR будет определяться как пациент, который прогрессировал или умер на лечении ингибитора ALK в течение первого года лечения.

Случаи исследования будут случайным образом разделены на три: учебную когорту, когорту валидации и тестовая когорта. Когорты будут стратифицированы ответом на лечение (т.е. Равная доля случаев R и NR в каждой когорте). Затем сканируемые изображения будут обработаны и проанализированы. Анализ слайдов будет проведен с использованием Python с использованием пакетов Pytorch. Дальнейший статистический анализ будет проведен с помощью статистического программирования R.

Сначала все изображение слайда (WSI) делится на тысячи плиток. Они рассматриваются с помощью сверточной нейронной сети (CNN) для извлечения функций уровня плитки. Мы будем использовать Resnet, общую модель глубокого обучения, используемая для компьютерного зрения в качестве CNN. CNN будет обучаться с несколькими экземплярами (MIL) на уровне плитки, а затем прогнозируемые оценки будут агрегированы для уровня WSI. Окончательная модель будет проводиться на слайдах, чтобы различить R против NR. Классификатор будет разработан на учебной группе, модифицирован, если это необходимо, после обработки валидационной когорты и, наконец, проверяется на эффективность в тестовой когорте. Также будут использоваться методы перекрестной проверки.

Мы стремимся использовать эту технику, чтобы определить подгруппу положительных пациентов с ALK, которые могут быть кандидатами на более агрессивные варианты лечения.