基于AI的组织学评分可以对NASH临床试验中的入组标准和终点进行自动化和可重复的评估

加密市场9小时前发布今日说币

1 0 0

✦

深度学习辣汤小组文献阅读学习之一百二十二篇

✦

基于AI的组织学评分可以对NASH临床试验中的入组标准和终点进行自动化和可重复的评估

DeepLearning 深度学习辣汤小组

2023/8/8

2023年，来自美国波士顿的Janani S. Iyer教授及其团队基于人工智能（AI）技术，开发了一个用于NASH组织学评分的模型AIM-NASH，旨在帮助病理学家对NASH临床试验进行组织学审查，并在medRxiv : the preprint server for health sciences 上发表题为“AI-based histologic scoring enables automated and reproducible assessment of enrollment criteria and endpoints in NASH clinical trials”的文章。

DOI：

https://doi.org/10.1101/2023.04.20.23288534

一、研究背景

非酒精性脂肪性肝炎(NASH)是非酒精性脂肪性肝病(NAFLD)的进行性形式，是肝硬化和肝细胞癌的一个快速增长的病因，也是美国女性和老年人肝移植最常见的指征。尽管NASH的发病率不断上升，但是目前还没有有效的药物治疗方法。目前，评估NASH治疗方法的临床试验的终点是组织学评估，但受到病理学家对组织学特征手工评分的影响，和评分系统敏感性限制，基于组织学的终点和治疗相关改善评估的可变性可能导致治疗反应测量的不完整以及研究人群的选择错误。基于此，该团队，开发了一种可靠的方法来评估NASH的严重程度，并通过使用基于AI的NASH组织学测量(AIM-NASH)的数字病理学工具来提高临床试验的可靠性。

二、数据集

使用来自6个已完成2b期和3期NASH临床试验的，59名病理学家标注的8747个H&E和7660个马松染色的wsi进行模型训练。其中，70%划分为训练集，15%为验证集，还有15%为测试集。数据集在患者级别被分割，来自同一患者的所有wsi被分配到相同的集合中。并且，各组还尽可能平衡NASH疾病严重程度的关键指标（脂肪变性、气球样变、小叶炎症、纤维化）。

模型性能的可重复性评估和准确性验证是在一个外部的、保留的验证数据集中进行的，该数据集包括已完成2b期NASH临床试验的基线和治疗结束活检的wsi，三位经验丰富的病理学家对数字化wsi进行了分级和分期的审查。

三、方法

对于每个WSI，都经过卷积神经网络(CNN)和图神经网络(GNN)处理，生成预测结果，过程如图1所示。(a)采用数字化H&E和马松染色图像作为模型输入。(b)在下游分析之前进行伪影检测和排除，去除组织样本中可能影响分析准确性的伪影和异常。(c)图像分割，使用经过病理学注释的wsi图像训练的CNN生成相关组织学特征的像素级预测。(d)使用GNN聚类，用于预测NASH每个组织学特征的顺序分级或分期以及相应的连续评分。(e)生成患者水平预测。

四、结果与结论

使用留一法评估AIM-NASH性能的可重复性和准确性，结果如表1所示。将模型的表现与病理学家对四种组织学特征的共识进行比较，模型与共识的一致性率在脂肪变性中最高(0.74)，其次是气球膨胀(0.70)、小叶炎症(0.67)和纤维化(0.62)。此外，模型和共识之间的一致性大于任何单个病理学家对其他三个读数的一致性，也大于任何平均病理学家的两两一致性。

对于非肝硬化NASH合并纤维化患者，FDA对NASH临床试验入组标准和终点评估有明确的定义。将AIM-NASH产生的组织学分级和分期与病理学家进行比较，结果如图2。在入组标准方面，AIM-NASH一致性与各病理学家一致（图2a），对临床实验常用的疗效终点，AIM-NASH与病理学家的一致性为0.97，平均病理学家与共识的一致性为0.96，AIM-NASH的一致性与普通病理学家的一致性为相当（图2b）。

为了证明AIM-NASH在NASH临床试验中测量治疗反应的能力，该团队还对2b期临床试验中的药物疗效进行了回顾性分析，结果（图3）显示AIM-NASH可以很好的预测药物治疗效果。总而言之，这些结果表明AIM-NASH分级和组织学特征分期可以检测组织对药物治疗的反应，其准确性与NASH病理学专家相当，同时提供更高的灵敏度和可重复性。因此，AIM-NASH可能在确定疾病严重程度方面具有潜在的临床应用价值，并可能适用于临床试验环境中更敏感的药物疗效测定。

基于AI的组织学评分可以对NASH临床试验中的入组标准和终点进行自动化和可重复的评估