Digital Versus Manual PD - L1 Scoring in Advanced Non - Small Cell Lung Cancer From the IMpower110 and IMpower150 Trials.
研究背景
程序性死亡配体1（PD - L1）表达是预测非小细胞肺癌（NSCLC）患者对PD - (L)1抑制剂反应的重要生物标志物。目前手动评分耗时且个体差异大，为此开发了基于人工智能（AI）的PD - L1评分算法（AIM - PD - L1），可对不同抗体克隆染色样本数字化评分。研究旨在评估其在IMpower110和IMpower150试验中的表现及临床应用潜力。
方法速览
- 数据来源：使用IMpower110和IMpower150两项III期临床试验数据，分别有509和766个SP263染色的全切片图像。
- 算法开发与验证：AIM - PD - L1通过机器学习模型训练，能检测组织伪影、识别组织区域和细胞类型及PD - L1阳性细胞，在含四种FDA批准抗体克隆的测试集上验证。
- 统计分析：用Cohen’s kappa、Kaplan - Meier曲线、Cox回归模型等比较数字评分和手动评分一致性及对生存期的影响。
主要发现
- 评分一致性高：AIM - PD - L1数字评分与手动评分总体百分比一致性高，在不同试验和截止值下表现良好，能提供可靠评分结果。
- 识别更多阳性患者：在IMpower110队列，数字评分额外识别部分PD - L1阳性NSCLC患者；IMpower150队列也有类似情况，但TC ≥ 50%时识别患者数量有变化。
- 生存分析结果相似：数字评分和手动评分在PD - L1阳性患者识别上有差异，但在总生存期（OS）和无进展生存期（PFS）分析结果相似。
- 额外患者有生存优势：仅通过数字评分识别的PD - L1阳性患者接受阿特珠单抗治疗有生存优势趋势，OS和PFS显著改善。
- HIFs与生存期相关：AIM - PD - L1输出的人类可解释特征（HIFs）中，癌上皮中PD - L1阳性细胞密度与OS和PFS正相关，密度高的患者接受治疗时生存期显著延长。
总结展望
本研究开发的AIM - PD - L1算法具有多克隆兼容性、高分辨率量化及应用HIFs等创新点，但也存在未充分探讨AI辅助模式应用效果、回顾性分析及模型可能误判等局限。未来需在前瞻性临床试验中进一步验证，有望为NSCLC免疫治疗提供更精准的患者筛选方法。