《Journal of Thoracic Oncology》：Machine learning assessment of pathologic response in lung cancer resections after neoadjuvant therapy - IASLC MPR Project
编辑推荐：
桑贾·达契奇（Sanja Dacic）|丹尼尔·申克（Daniel Shenker）|玛丽·雷德曼（Mary Redman）|劳伦·布伦纳（Lauren Brunner）|安贾莉·萨基（Anjali Saqi）|温迪·A·库珀（Wendy A. Cooper）|阿兰·博尔丘克（A
桑贾·达契奇（Sanja Dacic）|丹尼尔·申克（Daniel Shenker）|玛丽·雷德曼（Mary Redman）|劳伦·布伦纳（Lauren Brunner）|安贾莉·萨基（Anjali Saqi）|温迪·A·库珀（Wendy A. Cooper）|阿兰·博尔丘克（Alain Borczuk）|钟金亨（Jin-Haeng Chung）|卡罗琳·格拉斯（Carolyn Glass）|哈维尔·马丁·洛佩兹（Javier Martin Lopez）|安雅·C·罗登（Anja C. Roden）|莱内特·肖尔（Lynette Sholl）|安妮卡·韦斯费尔特（Annikka Weissferdt）|杰奎琳·布罗斯南-卡什曼（Jacqueline Brosnan-Cashman）|斯蒂芬妮·亨内克（Stephanie Hennek）|肖恩·格鲁伦（Sean Grullon）|胡安·波萨达斯（Juan Posadas）|藤本纯也（Junya Fujimoto）|凯西·康诺利（Casey Connolly）|默里·W·温斯（Murry W. Wynes）|伊格纳西奥·维斯图巴（Ignacio Wistuba）
美国康涅狄格州纽黑文市耶鲁大学医学院病理学系
摘要
引言
机器学习算法可以提高新辅助治疗后手术切除的肺癌病理反应（PR）评估的效率和准确性。本研究的目的是开发用于量化肿瘤床（TB）面积和残留活性肿瘤（VT）的数字模型，并将这些结果与IASLC可重复性研究中病理学家先前发布的PR评估结果进行比较。
方法
使用病理学家对手动标注的区域（包括TB和VT，共15,564个样本）进行训练，以建立卷积神经网络模型（数字AI）和凸包算法（CHA）。PR通过VT在TB面积中的百分比来确定。病理学家确定了所有切片中的平均PR（APR），并将其与数字AI和CHA的加权平均值进行比较。计算了病理学家APR、数字AI和CHA之间的一致性，并将其与临床结果相关联。
结果
各种方法之间具有很强的相关性：APR与数字AI（0.97）、APR与CHA（0.97）以及数字AI与CHA（0.99）。对于MPR（完全病理反应），数字AI和CHA的结果完全一致。APR与数字AI/CHA之间的Kappa一致性为0.82（95%置信区间：0.69, 0.96），其中有6例不一致。鳞状细胞癌的一致性更高（Kappa 0.92，95%置信区间：0.76, 1.0），而非鳞状细胞癌的一致性较低（Kappa 0.77，95%置信区间：0.59, 0.96）。APR和数字AI在无复发生存（RFS）和总生存期（OS）方面显示出相似的结果。
结论
总体而言，这些方法之间高度一致，这支持了机器学习方法在评估非小细胞肺癌（NSCLC）患者病理反应方面的实用性。
