神经网络在基于非小细胞肺癌病理图像预测罕见驱动基因突变中的应用研究

研究目的:通过大样本图块分析建立基于深度学习(Deep Learning,DL)的人工智能(Artificial Intelligence,AI)模型,探讨其在非小细胞肺癌(Non-Small Cell Lung Cancer,NSCLC)病理图像预测罕见驱动基因突变中的可行性。研究方法:收集组织学诊断为NSCLC,且PCR检测明确存在ALK、HER-2Talazoparib体内实验剂量、KRAS、RET、MET或ROS-1状态的共152患者(ALK40例,KRAS12例,HER-2、RET、MET和ROS-1各20例),以及明确不存在突变的阴性病例20例。通过数字化扫描获取全玻片数字病理图像(Whole-Slide Images,WSI),标注肿瘤细胞并在400x视野下分割为224×224大小后,然后随机分为训练组和测试组。通过训练组中带有癌细胞区域的图像区块(Papathologic outcomestch)对以卷积神经网络(Convolutional Neural Networks,CNN)架构的AI模型进行训练和微调,建立智能病理检测模型。然后对测试组病例中Patch进行验证。利用损失函数及受试者工作特征曲线评估模型在Patch级别的准确率和曲线下面积。结果:基于非小细胞肺癌肿瘤细胞特征构建的罕见驱动基因突变的智能病理预测模型在测试集中Patch水平的准确率分别为ALK(99.98%)、KRAS(98.89%)、HER-2(99.56%)、RET(99.20%)、MET(99.05%)和ROS-1(99.54%)且各队列训练集AUC值均大于0.99。研究结论:联合AI,构建基于肿瘤细胞预测ALK、HER-2、KRAS、RET、MET、ROS-1的病理预测模型,在Patch级别中具有较好的准确性和可行性,准确率均达到99%左右,其中ALK的准确率最高达Y-27632纯度到99.98%,证明该技术具有可行性,预测结果具有临床指导意义。