關于領星

20

2020-04

領星PD-L1免疫組化圖像識別評分預測預后成果亮相2020ASCO

近日,領星PD-L1免疫組化圖像識別評分預測預后的成果摘要被2020年美國臨床腫瘤學會年會(ASCO)收錄,題目為“Application of Automated Segmentation and Classification of PD-L1 Immunohistochemistry Images in Cancer Treatment Prediction”。這也是領星“AI+醫療”的應用成果首次在世界級高水平權威臨床腫瘤學會議上的亮相。

此前,領星生物受邀參展了2019世界人工智能大會(WAIC 2019)。領星生物“AI+醫療”的應用場景在2019 WAIC上首次亮相,吸引了眾多醫療行業的觀展人員及國內外知名企業。

領星生物在WAIC 2019上展示的亮點之一是AI輔助判讀圖像,也就是此次被2020 ASCO收錄的摘要所涉及的領域。在患者的治療過程中,各項檢查往往會產生大量的影像圖片,醫生在判讀這些圖像時需要結合豐富的臨床經驗和豐厚的專業知識,才能做到不誤判、不漏判,但這個枯燥重復的過程會消耗醫生很多不必要的精力。


AI輔助判讀圖像

領星生物將AI技術引入這一步驟,例如將PD1免疫組化圖像借助AI進行輔助判讀,應用了計算機領域圖像分割與圖像分類任務中最先進的模型,根據臨床實踐加以調整,使用數據庫中累積的兩萬余張已被臨床醫生標注好的圖像數據進行訓練,達到輔助醫生判讀圖像的目的,能夠極大地提高醫生判讀圖像的效率。


摘要詳細內容


背景:例如靶向PD-1/ PD-L1這類免疫檢查點的療法已經在多種癌癥的治療中取得了極大的成功,尤其是那些具有高PD-L1表達的癌癥。 然而,患者對靶向免疫檢查點療法的響應率并不一致,當前的PD-L1免疫組織化學圖像的評分方法主要由病理學醫生手動進行,可能會有人為因素造成的差異(人員差異或是醫院差異)。為解決這一問題,領星基于自動圖像分析開發了一種PD-L1評分方法,并評估了這種評分方法的預測價值和預后價值。

方法:分析檔案或新鮮腫瘤活檢組織中PD-L1的表達。使用Python和Tensorflow實現的自定義算法將數字圖像自動打分為PD-L1陽性或陰性,該算法使用經過微調的ImageNet預訓練的Inception-ResNet-V2模型作為二進制分類器,以及經過修改的U-net圖像分割模型確定最終預測。受監督的機器學習用于控制由腫瘤微環境中PD-L1陽性炎癥細胞引起的異質性。256位患者的樣本以8:2的比例隨機分配接受算法訓練和驗證。

結果:共計獲得了10000張均衡分布的PD-L1陽性及陰性圖像。結果發現,基于病理學家共識的讀片結果與使用領星自定義算法自動化分析的結果(即PD-L1評分)的相關性極高(R = 0.97,p <0.0001)。領星自定義算法自動化分析的靈敏度達0.94,特異性達0.96。 此外,領星自定義算法的自動分析在不同工作站上進行獨立試驗的可重復性也極佳(R = 1.0,p <0.0001),遠優于人類檢查員進行的手動評分。

結論:領星自動PD-L1評估算法大大降低了評分的可變性。 這可能有助于確定對PD-1 / PD-L1相關免疫療法具有最佳反應的癌癥患者,從而在臨床實踐中促進患者分層。


AI輔助判讀圖像僅是領星基于醫療場景的人工智能和數據庫可實現的應用和服務之一,還有更多強大的功能例如NGS數據突變輔助評分篩選、臨床信息標準化入庫、二代測序結合臨床信息的決策樹模型等,通過深度挖掘AI技術在腫瘤診療過程中的應用,真正做到讓患者獲益,幫助醫生提高效率,推進中國腫瘤精準治療發展。

此外,領星還同時將AI技術在腫瘤臨床轉化中的應用領域進行了深耕,通過整合國際標準的CLIA / CAP臨床實驗室服務、基于真實世界的深度分子+臨床整合數據服務、云端開放的交互式Saas系統、以及獨有的數據驅動智能算法,推出了數據智能(Data Intelligence)服務,為生物制藥公司的腫瘤藥物開發提供了一個強大且靈活的平臺,可以根據客戶的興趣進行新藥開發中的臨床驗證和探索,幫助輕松、快速地實現臨床數據中的全部潛能。

目前領星的數據智能技術已在新型生物標志物、新藥物靶點發現,作用機制探索,臨床試驗設計和預測,藥物聯合策略,精準患者分層,和新適應癥擴展等多方面得到了初步印證,期待未來能與更多優秀的生物、制藥企業展開更緊密的合作,共同推進抗腫瘤創新藥物的研發。