研究背景
目前已有几项研究显示对非小细胞肺癌PD-L1表达AI模型的评估。用AI模型自动标注PD-L1染色的全切片图像，进一步标注、检测和计算肿瘤细胞和免疫细胞上PD-L1的表达，基于图像的评分算法与病理专家高度一致。然而，现有模型对于PD-L1表达较低的病理切片具有较差的特异性和准确性，尤其是在肿瘤细胞阳性比例评分（TPS）为1%临界值时。
因此，本研究探索并优化了三种不同的基于深度学习辅助诊断模型的工作流程（M1，M2，M3），用于检测22C3和SP263抗体的PD-L1阳性表达，尤其对TPS为1%时PD-L1的表达情况。
研究方法
本研究对1204份样本进行PD-L1 IHC 22C3制片染色，对84份样本进行PD-L1 IHC SP263制片染色。所有切片进行数字化扫描，全切片成像由专业人员及病理专家进行标注确认，TPS由两名病理专家进行评估及确认。
TPS算法
TPS计算为显示在任意强度下，部分或完全膜染色的活肿瘤细胞的百分比。为准确计算TPS，此项研究提出了一种基于深度学习的二阶段工作流程：一，使用分类模型检测包含肿瘤细胞的图块；二，使用目标检测模型定位和计数肿瘤细胞。
一、分类模型
图1展示的是用于肿瘤检测的标注数据集：PD-L1染色的全切片图像中用于标注的图块数据集和细胞数据集。图块数据集为256×256像素大小和128×128像素大小，可用于输入网络进行模型训练。在细胞数据集中，PD-L1阳性肿瘤细胞、PD-L1阳性免疫细胞和PD-L1阴性肿瘤细胞采用不同颜色标记。
二、细胞检测
研究人员基于YOLO建立了目标检测模型，以定量分类、定位和计数PD-L1肿瘤细胞。使用CSPDarknet53作为主干网络，将细胞标记为128x128像素大小的图块，分为PD-L1阴性肿瘤细胞、PD-L1阳性肿瘤细胞和PD-L1阳性免疫细胞。在模型训练中，使用五倍交叉验证和标签平滑用于防止过拟合。从细胞检测模型的预测输出中，只有PD-L1阳性肿瘤细胞和PD-L1阴性细胞来计算TPS。
最后使用线性相关系数（LCC）用于比较AI模型的TPS和病理专家给出的TPS，分析一致性。AI模型的准确性由特异性、敏感性等指标进行评估。
研究结论
研究结果发现，在PD-L1（22C3）和PD-L1（SP263）试验中，深度学习模型在TPS计算中表现出良好的高精度性能，尤其是在1%临界值时。
图2展示了PD-L1（22C3）和PD-L1（SP263）测定中的深度学习（DL）模型性能评估，A–C为PD-L1（22C3）测定试验的深度学习模型性能直方图。D–F为PD-L1（SP263）测定试验的深度学习模型性能直方图。肿瘤比例评分临界值为1%（A，D）和50%（B，E）。M1、M2和M3三个模型均表现为较好的敏感性和特异性，结果显示kappa评分均大于0.85，表明深度学习模型结果与病理专家结果具有较高的一致性。
这三个基于深度学习且完全自动化的AI诊断模型，可用于肺癌全切片图像中PD-L1的定量分析，在肿瘤细胞PD-L1表达中显示出优异的准确性和特异性，尤其是在TPS为1%临界值时。
江丰数字切片扫描仪
KF-PRO系列：优质线扫描技术，磁悬浮无损驱动，纳米级定位精度
适用于：临床，远程，科研，教学，不同通量满足不同需求
引文：Frontiers in Immunology | www.frontiersin.org
July 2022 | Volume 13 | Article 893198
【学术分享第16期】BRCA1和BRCA2致病性突变与其他癌症类型的相关性研究
【学术分享第14期】数字切片图像中染色转移的区域导向型循环生成对抗网络
【学术分享第13期】检测新技术|新型液体活检技术-ctDNA可快速高效诊断HPV相关头颈部癌症
