首页 > 文章详情

【2023 ASCO】深度学习模型结合全切片图像可预测可切除高级别软组织肉瘤（STS）患者新辅助化疗的组织学反应

2023年06月14日

编译：肿瘤资讯

来源：肿瘤资讯

美国临床肿瘤学会（ASCO）年会是肿瘤领域最具影响力的国际学术盛会之一，吸引着全球顶尖肿瘤专家汇聚一堂，分享最新的研究成果。2023年ASCO年会于6月2~6日举行，备受瞩目。在肉瘤临床科学研讨会（Clinical Science Symposium）专场，多中心研究发现，深度学习模型可以从诊断时采集的常规组织学全切片图像中准确预测新辅助化疗的组织学反应。该模型可以作为STS患者新辅助化疗选择的预筛查工具。

背景

两项随机试验证实了蒽环类药物新辅助化疗对高级别软组织肉瘤（STS）患者的潜在获益（Issels et al 2018, Gronchi et al 2017）。然而，与辅助化疗一样，确定STS患者新辅助化疗后的化疗反应的预测因素仍然是一个主要的问题，以避免大多数患者接受无效治疗并影响生活质量。

组织学反应，定义为手术标本上可染色的肿瘤细胞的百分比，已被证明是骨与软组织肉瘤无转移生存和总生存的可靠替代物（Crombie et al JCO Clin Inf 2021）。开发一种工具来帮助肿瘤内科医生在开始治疗前预测新辅助化疗的潜在益处，对肉瘤的精准治疗有很大价值。

本研究提出了一种基于深度学习的方法，从诊断时采集的常规组织学全切片图像中预测新辅助化疗患者的组织学反应。

方法

本研究使用NEOSARCOMICS研究（NCT02789384）纳入的220例高级别肢端和躯干STS患者队列进行模型训练，并使用数字化的苏木精/伊红切片进行预处理，以分割组织并将图像分解为分辨率较小的patches。在组织学切片上，使用Vision Transformer进行自监督的预训练，并从每个patch中提取特征。根据结果特征，使用Multiple Instance Learning模型进行训练。通过5折5次交叉验证方案对算法进行训练和验证，并对来自L´ eon B´ erard中一个队列进行外部验证以评估模型的稳健性。

结果

本研究的模型仅使用诊断性活检即可准确预测新辅助化疗的组织学反应，AUC为0.69（95%CI，0.60~0.76）。外部验证正在进行中，显示了有希望的初步结果，AUC为0.67（95%CI，0.45~0.89）。

结论

此多中心研究表明，深度学习模型可以从诊断时采集的常规组织学全切片图像中准确预测新辅助化疗的组织学反应。该模型可以作为STS患者新辅助化疗选择的预筛查工具。

参考文献

Benjamin Adjadj, et al. Deep learning with whole slides images to predict histological response to neoadjuvant chemotherapy in patients with resectable high grade soft-tissue sarcomas: A multicenter study. 2023 ASCO, abstract 11512.

责任编辑：肿瘤资讯-Marie
排版编辑：肿瘤资讯-Marie

更多摘要详情，请关注ASCO专栏！