首页 > 文章详情

2025 WCLC | 机器学习评估新辅助治疗后肺切除标本的病理缓解——IASLC MPR项目

08月14日

编译：肿瘤资讯

来源：肿瘤资讯

Session Type

Oral

Session Title

OA09. New Advances in Pathology

摘要号

OA09.01

英文标题

Machine Learning Assessment of Pathologic Response in Lung Resections After Neoadjuvant Therapy - IASLC MPR Project

中文标题

机器学习评估新辅助治疗后肺切除标本的病理缓解——IASLC MPR项目

讲者

Sanja Dacic, MDPhD

讲者机构

Yale School of Medicine

背景

国际肺癌研究协会（IASLC）关于新辅助治疗后手术切除肺标本病理缓解（PR）评估可重复性的研究表明，虽然仍存在挑战，但胸部病理学家间具有良好的一致性。本研究旨在开发用于量化肿瘤床（TB）区域和残余存活肿瘤（VT）的机器学习算法，并将结果与IASLC可重复性研究中病理学家的评估进行比较。

方法

研究纳入来自5项临床试验的72例非小细胞肺癌（NSCLC）患者[NADIM II期（NCT03081689）、NEOSTAR II期（NCT03158129）、MPDL3280A（NCT02716038）、TOP 1501（NCT02818920）和MEDI4736（NCT02904954）]。由5位（N=25例）或6位（N=47例）病理学家审阅苏木精-伊红（H&E）染色切片。从全切片图像中收集病理学家对TB和VT区域的手动标注（N=15,564）。使用这些标注训练卷积神经网络模型进行组织区域分类，其中TB检测采用多分辨率架构。对VT区域预测应用凸包算法（CHA），以更贴近病理学家视觉评估的方式预测VT面积。两种模型均以病例为单位计算数字化PR（VT面积占TB面积的百分比），并按切片级TB面积加权。各方法（病理学家读片和两种模型）的PR百分比取切片PR百分比的平均值（未加权）。病理学家读片的PR取平均值（平均病理学家读片[APR]）。采用Spearman相关系数评估方法间PR值的相关性，使用Cohen's Kappa统计量评估评估者间一致性。数字化PR和CHA的主要病理缓解（MPR）截断值根据APR百分比10%对应的百分位数确定。

结果

各方法间PR百分比高度相关：APR vs. 数字化PR（0.97）、APR vs. CHA（0.97）、数字化PR vs. CHA（0.99）。38.9%患者的APR≤10%（MPR）。数字化PR与CHA对MPR的判断完全一致。APR与数字化PR/CHA的Kappa值为0.82（95% CI：0.69-0.96），存在6例不一致病例。鳞状细胞癌的一致性（Kappa 0.92，95% CI：0.76-1.0）优于非鳞状细胞癌（Kappa 0.77，95% CI：0.59-0.96）。生存分析正在进行中。

结论

本研究证实机器学习算法与病理学专家在PR评估方面具有高度一致性。尽管存在少量差异，整体高水平的一致性支持这些机器学习方法在肺癌临床试验中实现准确、标准化PR评估的应用价值。

责任编辑：肿瘤资讯-丹忱
排版编辑：肿瘤资讯-丹忱