社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

数字病理与深度学习:NSCLC可用药驱动变异检测的新路径

医学界肿瘤前沿 • 13 小时前 • 18 次点击  
*仅供医学专业人士阅读参考
H&E切片深度学习可快速预测NSCLC关键驱动基因状态。
非小细胞肺癌(NSCLC)约占肺癌的80%–90%,其治疗高度依赖分子分析。驱动基因检测已成为指导一线治疗决策的必要前提。指南推荐对所有晚期非鳞状NSCLC患者常规检测EGFR、ALK、ROS1、BRAF、MET、KRAS、RET及NTRK等基因,鳞状细胞癌中虽驱动改变发生率较低(2%–10%),亦建议考虑检测。然而真实世界数据不容乐观,约40%–50%的患者未接受全面二代测序(NGS)检测,逾20%的患者在缺乏分子检测结果的情况下即启动一线治疗,导致匹配靶向治疗使用率下降及无效免疫治疗比例升高。
数字病理人工智能(AI)技术为此提供了新思路:既往研究已证实深度学习可从常规H&E(Hematoxylin-Eosin Staining)染色切片中预测分子信息,较传统检测提前数天乃至数周。一项发表于NPJ Precision Oncology的多中心研究[1]基于数字病理基础模型CanvOI 1.1开发AI分类器,对NSCLC四大可用药生物标志物进行检测,并在独立国际队列中完成了外部验证。

研究设计与方法:肿瘤学智能基础模型驱动的三层分类体系


研究团队构建了针对EGFR、ALK、BRAF V600E及MET 14外显子跳跃四类NSCLC可用药变异的分类器,覆盖了NSCLC中点突变、插入/缺失、基因重排与外显子跳跃等主要变异形式。其中,EGFR与ALK入选系因其临床地位明确、中西人群合计约占可用药病例的38%–50%;纳入BRAF与MET则旨在进一步检验算法对特定变异类型的鉴别能力(如BRAF中仅V600E为可用药突变)。
在方法学上,模型依托在大量未标注组织学图像上预训练的肿瘤学智能基础模型CanvOI 1.1提取图像特征,该模型可捕捉组织学数据中的复杂形态模式,从而支撑更具稳健性与泛化性的下游模型。训练集纳入来自多个医疗中心的4425张NSCLC全切片数字图像(WSI),通过多实例学习(MIL)算法与交叉验证方案训练任务特异性分类器,并采用留一组交叉验证策略在各站点间轮换验证、定义判读阈值,最终形成“高度可能阳性—中间态—阴性”的三层分类体系。
外部验证集独立于模型开发数据,来自以色列Sheba医疗中心(510例)与美国Hoag纪念医院(458例)共993张WSI;经图像完整性核查与预处理质控——其中2张(0.2%)因缺乏放大倍数信息、23张(2.3%)因可分析癌细胞不足被排除——968例纳入最终分析。队列以非鳞癌为主(85.1%),可用药变异几乎均见于腺癌。可参考方法确认的阳性率方面,两中心EGFR阳性率相近(26.4%与24.7%),ALK为5.7%与1.3%,BRAF V600E为0.8%与0.9%,MET 14外显子跳跃为2.7%与8.8%,与NSCLC驱动基因的已知人群分布相符。

外部验证性能:跨中心判别力与高阴性预测价值


在独立验证集中,四个分类器的受试者工作特征曲线下面积(AUC)分别为:EGFR 0.87、ALK 0.96、BRAF 0.88、MET 0.83。按既定阈值,ALK队列中69.5%的样本获得明确分类(阳性或阴性),BRAF为42.3%,MET为43.2%,EGFR为33.5%。EGFR分类器对常见突变(19外显子缺失与L858R)的判别性能优于罕见突变类型(AUC 0.89 vs. 0.81);概率分布图与预测性曲线显示,携带变异的风险随AI评分升高而递增,参考方法阳性与阴性组间区分清晰;按标本类型(活检 vs. 手术标本)与取材部位(原发灶 vs. 转移灶)分层的亚组分析显示模型性能总体一致,但部分亚组阳性例数有限,结果解读需谨慎。
更具临床价值的是,各基因的AI阴性组几乎完全由真阴性构成:阴性预测值(NPV)在EGFR达98.6%(95%CI:96.0–99.7%)、ALK 99.7%、BRAF 100%、MET 99.6%,全部基因的阴性组中仅检出3例EGFR、2例ALK与1例MET假阴性,BRAF无假阴性;以阳性符合率(PPA)衡量敏感性,四基因分别为98.8%、94.1%、100%与96.2%。阳性组内的真阳性比例则存在差异:EGFR约79.3%、ALK 68.8%、MET 50%、BRAF 20%(假阳性分别为22、10、6、4例),提示阳性预测结果仍需分子检测最终确认;中间态样本虽无法给出定论,但其连续评分仍可与临床因素整合,为后续检测优先级提供参考。

临床应用前景:从流程优化到治疗决策支持


与需要数天至数周周转的常规分子检测相比,H&E切片数字化后AI模型的推理时间以分钟计,且完全不消耗额外组织。这一特点在小活检标本中尤为宝贵:常规分子检测可能耗尽稀缺组织,而AI评分可辅助指导组织利用的优先级排序,优化组织在分子检测、生物标志物检测间的分配。研究者指出,将AI分类器整合进诊断流程的早期环节,可提示哪些患者应优先接受基因特异性快速检测或全面分子检测,缩短决策等待时间并减少额外有创操作。值得注意的是,既往已有基于病理图像的AI预测工具以高级别证据纳入美国国立综合癌症网络(NCCN)指南(前列腺癌领域),为AI病理工具进入临床路径提供了先例。
在治疗决策层面,早期疾病中快速识别缺乏EGFR与ALK驱动改变的患者,可支持新辅助免疫治疗的及时启动——此类治疗已被证实可改善无事件生存,并使部分原本难以切除的肿瘤降期、获得手术机会,而这类患者的活检组织量往往有限;晚期疾病中,驱动基因阴性者适于一线免疫治疗,携带EGFR、ALK、BRAF、MET等可用药变异者则应优先接受靶向治疗。AI工具对低发生率基因的“排摸”能力,尤其有助于在罕见突变人群中及早发现潜在获益者,并可在等待全面检测结果期间为基因特异性快速检测提供方向。

总结

该研究通过多中心大样本训练与双中心独立外部验证,证实基于数字病理基础模型的深度学习分类器可直接从常规H&E染色切片快速预测NSCLC的EGFR、ALK、BRAF、MET四大可用药生物标志物,其突出的阴性预测价值使其尤其适用于快速排除EGFR/ALK驱动改变、支持免疫治疗人群筛选,为缓解真实世界中检测不足、治疗延迟的困境提供了切实可行的补充路径;对于组织量有限的小活检标本,这种“零耗组织”的预判信息还可帮助临床与病理团队更合理地规划后续分子检测的优先顺序。随着AI病理工具与分子检测流程的深度整合及前瞻性临床研究的推进,常规病理切片有望从“形态学诊断”升级为“形态学与基因组信息同窗共判”的载体,推动NSCLC精准诊疗迈入新阶段。
参考文献:
[1] Rolfo C, et al. Validation of histopathology-based deep learning algorithms for detection of actionable non-small cell lung cancer biomarkers[J].NPJ Precis Oncol. 2026 Jan 20;10(1):62.

审批编号:CN-199379 有效期至:2027-02-09 
本材料由阿斯利康提供,仅供医疗卫生专业人士参考,不用于推广目的。若涉及具体药物使用,请参考相关药物说明书,阿斯利康不建议您将产品超说明书使用。


*此文仅用于向医疗卫生专业人士提供科学信息,不代表平台立场。
图片更多医疗资讯,点击“阅读原文”查看

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/203471