Uma revolução no teste de câncer de pulmão com um modelo de águia

A nova ferramenta de IA lê fatias de câncer de pulmão em menos de uma hora, prevê cuidadosamente mutações e fornece atraso nos pacientes, custos e perda de tecido, o que representa um ponto de virada no cuidado cuidadoso do câncer.

Ingressos: Publicação no mundo real da Fundação para a Fundação para Micro doenças para descobrir sinais vitais de câncer de pulmão. Imagem de crédito: kateryna kon/shutterstock.com

acidente Medicina da natureza O estudo coletou uma grande coleta internacional de dados clínicos de fatias de pulmão digital (Luad) para facilitar o desenvolvimento de receptores para o fator de crescimento da pele aritmética (EGFR) Sinais vitais.

Teste de EGFR no tumor pulmonar

Luad é a forma mais popular de câncer de pulmão, pois o EGFR é o físico mais comum salto Nos genes Kinaz. O teste de EGFR de farinha é muito importante para garantir que os pacientes obtenham o tratamento da primeira linha correta. O EGFR é testado para pacientes com Luad avançada. Caso contrário, o teste molecular no câncer de pulmão é o padrão de investigação. O teste de EGFR é muito menor que o nível especificado através das diretrizes aplicáveis. Pode haver muitas razões, incluindo obstáculos técnicos na obtenção de amostras e tratá -las para testes e materiais insuficientes de biópsias de diagnóstico.

Os métodos contábeis para detectar mutações no EGFR podem melhorar significativamente o funcionamento do câncer de pulmão. Somente fatias de patologia digital de hematoxico e eosina diagnósticos (H&E) Biópsia Ele será usado como um pilar, permitindo que o resultado seja relatado sem tratamento material e um pequeno custo. A produção imediata de resultados também deve permitir que todas as outras decisões sejam relatadas.

Sobre estudo

Este estudo (EGFR AI) desenvolveu a avaliação genética do pulmão) e apresentou seu benefício clínico como um sinal de conta vibrante em H & E. O objetivo era melhorar o fluxo de trabalho molecular padrão usando biópsias de diagnóstico para pacientes com Luad para prever o EGFR. Ao contrário do fluxo de trabalho tradicional, a ajuda da IA geralmente impede um teste rápido. Isso foi feito, mantendo um desempenho de alto desempenho em geral. Ainda é necessário um teste para a sequência da próxima geração (NGS).

Uma grande coleta internacional de dados clínicos é coletada das fatias de pulmão digital (Luad) para treinar o algoritmo de acordo com o amplo contraste biológico e técnico esperado da publicação clínica real. Um total de 5.174 lâminas do Memorial Citring Cancer Center (MSKCC) foi usado para ajustar o modelo de fundação de doenças modernas. O formulário é validado usando 1742 grupos de chip interno do MSKCC e testes externos para garantir a durabilidade.

Essas instituições incluídas nos Estados Unidos e na Europa e em vários scanners de luz estendidos, indicando a generalização do modelo através das várias instituições e scanners de luz. Uma experiência silenciosa foi conduzida pela publicação da Eagle em um tempo real para simular seu desempenho em um ambiente real.

Resultados do estudo

Ele realizou a águia no nível esperado em novos casos e é considerado adequado para implementação clínica. Os resultados do EGFR de teste rápido foram comparados aos resultados dos testes de Idylla. Idylla mostrou um valor preditivo positivo (PPV) de 0,988, sensibilidade 0,918, privacidade de 0,993 e valor preditivo negativo (NPV) de 0,954 no período que foi analisado. O modelo alcançou uma área sob o valor da curva (AUC) de 0,847. O desempenho foi menos preciso nas amostras metastáticas (AUC 0,75) em comparação com as amostras iniciais (AUC 0,90).

Usando a quantidade de tecidos como alternativa à quantidade de tumor, o espaço da superfície foi calculado com base nos ladrilhos usados para concluir a forma. Observou -se que havia uma tendência geral, pois o desempenho típico foi fortalecido com o aumento da área de tecidos que foi analisada. Outros testes revelaram que o modelo foi capaz de descobrir todas as mutações do EGFR clinicamente, destacando assim a durabilidade da águia através das variáveis. O desempenho do modelo na poeira externa também foi compatível com a verificação interna e a AUC 0.870 mostrou.

Uma experiência silenciosa no MSKCC foi realizada para testar o aplicativo do mundo real. Como no caso anterior, o desempenho do modelo foi menor em amostras metmódicas (AUC 0,760), em comparação com as amostras iniciais (AUC 0,896). Os linfonodos (AUC 0,74) e os ossos (AUC 0,71) realizaram particularmente. A AUC foi geralmente semelhante aos resultados anteriores de 0,853. Esses resultados também suportaram a publicação da águia para as primeiras amostras. O fluxo de trabalho com inteligência artificial (IA) pode levar a uma diminuição no número de amostras que são testadas rapidamente, com base na saída de águia.

Três estratégias de limiar foram exploradas no experimento para determinar o número de testes rápidos que podem ser salvos, mantendo o desempenho semelhante ao curso do trabalho tradicional. Dependendo do limiar escolhido, o fluxo de trabalho com a ajuda da IA é reduzido dos testes rápidos em 18 % a 43 %, mantendo os valores de NPV e altos valores de PPV.
O tempo de mudança de águia também foi um recurso importante, pois alcançou resultados moderados de apenas 44 minutos, muito mais rápido que as 48 horas necessárias para um teste rápido e várias semanas para o NGS.

O Silent World Trial World foi importante porque ajudou os pesquisadores a entender como o protocolo recém -desenvolvido, incluindo fontes potenciais de resultados positivos negativos e errados. Ao examinar a atenção, os mapas de calor se acumulam em fatias de tecido, a equipe determinou que os positivos errados geralmente incluem mutações relevantes biológicas, como a entrada ERBB2 ou o exon 14 MET. Os negativos errados tendem a ocorrer em amostras com estrutura mínima do tumor, como amostras de ciência de células ou deslumbração pesada no sangue.

Supunha -se que a taxa de erro possa ser reduzida drasticamente se os patologistas interpretarem manualmente os resultados. A águia não tem como objetivo substituir a sequência NGS, mas apenas um teste de teste. A águia visa identificar possíveis casos positivos e excluir mutações de EGFR com eficiência. Como a águia não distingue entre o EGFR, o que requer diferentes tratamentos direcionados, a confirmação do NGS ainda é necessária antes de escolher o tratamento.

Conclusões

Este estudo apresentou um modelo de formato aritmético verificado para detectar a mutação EGFR em Luad. O modelo pode reduzir o consumo de tecidos, melhorar a eficiência do diagnóstico e acelerar a adoção da inteligência artificial na prática clínica. A Eagle alcançou seu desempenho formulando um modelo básico baseado no transformador da visão, destacando a transformação em relação às ferramentas de inteligência artificial mais generalizadas em patologia. Pesquisas futuras devem ser consideradas em indicadores vitais adicionais e em seu estudo em um possível ensaio clínico.

Faça o download da sua versão em PDF agora!