上海2020年5月19日 /美通社/ -- 近日，領(lǐng)星PD-L1免疫組化圖像識(shí)別評(píng)分預(yù)測(cè)預(yù)后的成果摘要被2020年美國臨床腫瘤學(xué)會(huì)年會(huì)（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(lǐng)星“AI+醫(yī)療”的應(yīng)用成果首次在世界級(jí)高水平權(quán)威臨床腫瘤學(xué)會(huì)議上的亮相。
此前，領(lǐng)星生物受邀參展了2019世界人工智能大會(huì)（WAIC 2019）。領(lǐng)星生物“AI+醫(yī)療”的應(yīng)用場(chǎng)景在2019 WAIC上首次亮相，吸引了眾多醫(yī)療行業(yè)的觀展人員及國內(nèi)外知名企業(yè)。領(lǐng)星生物在WAIC 2019上展示的亮點(diǎn)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(lǐng)域。在患者的治療過程中，各項(xiàng)檢查往往會(huì)產(chǎn)生大量的影像圖片，醫(yī)生在判讀這些圖像時(shí)需要結(jié)合豐富的臨床經(jīng)驗(yàn)和豐厚的專業(yè)知識(shí)，才能做到不誤判、不漏判，但這個(gè)枯燥重復(fù)的過程會(huì)消耗醫(yī)生很多不必要的精力。
領(lǐng)星生物將AI技術(shù)引入這一步驟，例如將PD1免疫組化圖像借助AI進(jìn)行輔助判讀，應(yīng)用了計(jì)算機(jī)領(lǐng)域圖像分割與圖像分類任務(wù)中先進(jìn)的模型，根據(jù)臨床實(shí)踐加以調(diào)整，使用數(shù)據(jù)庫中累積的兩萬余張已被臨床醫(yī)生標(biāo)注好的圖像數(shù)據(jù)進(jìn)行訓(xùn)練，達(dá)到輔助醫(yī)生判讀圖像的目的，能夠大幅度提高醫(yī)生判讀圖像的效率。以下為此次入選2020ASCO摘要的詳細(xì)內(nèi)容：
背景：
例如靶向PD-1/ PD-L1這類免疫檢查點(diǎn)的療法已經(jīng)在多種癌癥的治療中取得了成功，尤其是那些具有高PD-L1表達(dá)的癌癥。 然而，患者對(duì)靶向免疫檢查點(diǎn)療法的響應(yīng)率并不一致，當(dāng)前的PD-L1免疫組織化學(xué)圖像的評(píng)分方法主要由病理學(xué)醫(yī)生手動(dòng)進(jìn)行，可能會(huì)有人為因素造成的差異（人員差異或是醫(yī)院差異）。為解決這一問題，領(lǐng)星基于自動(dòng)圖像分析開發(fā)了一種PD-L1評(píng)分方法，并評(píng)估了這種評(píng)分方法的預(yù)測(cè)價(jià)值和預(yù)后價(jià)值。
方法：
分析檔案或新鮮腫瘤活檢組織中PD-L1的表達(dá)。使用Python和Tensorflow實(shí)現(xiàn)的自定義算法將數(shù)字圖像自動(dòng)打分為PD-L1陽性或陰性，該算法使用經(jīng)過微調(diào)的ImageNet預(yù)訓(xùn)練的Inception-ResNet-V2模型作為二進(jìn)制分類器，以及經(jīng)過修改的U-net圖像分割模型確定最終預(yù)測(cè)。受監(jiān)督的機(jī)器學(xué)習(xí)用于控制由腫瘤微環(huán)境中PD-L1陽性炎癥細(xì)胞引起的異質(zhì)性。256位患者的樣本以8：2的比例隨機(jī)分配接受算法訓(xùn)練和驗(yàn)證。
結(jié)果：
共計(jì)獲得了10000張均衡分布的PD-L1陽性及陰性圖像。結(jié)果發(fā)現(xiàn)，基于病理學(xué)家共識(shí)的讀片結(jié)果與使用領(lǐng)星自定義算法自動(dòng)化分析的結(jié)果（即PD-L1評(píng)分）的相關(guān)性極高（R = 0.97，p <0.0001）。領(lǐng)星自定義算法自動(dòng)化分析的靈敏度達(dá)0.94，特異性達(dá)0.96。此外，領(lǐng)星自定義算法的自動(dòng)分析在不同工作站上進(jìn)行獨(dú)立試驗(yàn)的可重復(fù)性也極佳（R = 1.0，p <0.0001），遠(yuǎn)優(yōu)于人類檢查員進(jìn)行的手動(dòng)評(píng)分。
結(jié)論：
領(lǐng)星自動(dòng)PD-L1評(píng)估算法大大降低了評(píng)分的可變性。這可能有助于確定對(duì)PD-1 / PD-L1相關(guān)免疫療法具有最佳反應(yīng)的癌癥患者，從而在臨床實(shí)踐中促進(jìn)患者分層。
AI輔助判讀圖像僅是領(lǐng)星基于醫(yī)療場(chǎng)景的人工智能和數(shù)據(jù)庫可實(shí)現(xiàn)的應(yīng)用和服務(wù)之一，還有更多強(qiáng)大的功能例如NGS數(shù)據(jù)突變輔助評(píng)分篩選、臨床信息標(biāo)準(zhǔn)化入庫、二代測(cè)序結(jié)合臨床信息的決策樹模型等，通過深度挖掘AI技術(shù)在腫瘤診療過程中的應(yīng)用，真正做到讓患者獲益，幫助醫(yī)生提高效率，推進(jìn)中國腫瘤精準(zhǔn)治療發(fā)展。
此外，領(lǐng)星還同時(shí)將AI技術(shù)在腫瘤臨床轉(zhuǎn)化中的應(yīng)用領(lǐng)域進(jìn)行了深耕，通過整合國際標(biāo)準(zhǔn)的CLIA / CAP臨床實(shí)驗(yàn)室服務(wù)、基于真實(shí)世界的深度分子+臨床整合數(shù)據(jù)服務(wù)、云端開放的交互式Saas系統(tǒng)、以及獨(dú)有的數(shù)據(jù)驅(qū)動(dòng)智能算法，推出了數(shù)據(jù)智能（Data Intelligence）服務(wù)，為生物制藥公司的腫瘤藥物開發(fā)提供了一個(gè)強(qiáng)大且靈活的平臺(tái)，可以根據(jù)客戶的興趣進(jìn)行新藥開發(fā)中的臨床驗(yàn)證和探索，幫助輕松、快速地實(shí)現(xiàn)臨床數(shù)據(jù)中的全部潛能。目前領(lǐng)星的數(shù)據(jù)智能技術(shù)已在新型生物標(biāo)志物、新藥物靶點(diǎn)發(fā)現(xiàn)，作用機(jī)制探索，臨床試驗(yàn)設(shè)計(jì)和預(yù)測(cè)，藥物聯(lián)合策略，精準(zhǔn)患者分層，和新適應(yīng)癥擴(kuò)展等多方面得到了初步印證，期待未來能與更多優(yōu)秀的生物、制藥企業(yè)展開更緊密的合作，共同推進(jìn)抗腫瘤創(chuàng)新藥物的研發(fā)。
