非小細胞肺癌におけるチェックポイント阻害剤反応のデジタル病理画像ベースのバイオマーカー同定。

8530 背景：プログラム細胞死1（PD1）またはプログラム細胞死リガンド1（PDL1）を標的とする免疫チェックポイント阻害剤（ICI）は非小細胞肺癌（NSCLC）の治療に革命をもたらしましたが、効果的に反応する患者はわずか30％にとどまります。PDL1発現は患者選択のために承認されていますが、治療反応のバイオマーカーとして臨床結果を予測する上で議論の余地があり、より堅牢な代替手段の必要性が示されています。方法：我々はAIベースのアプローチの可能性を、H 26 部分的/完全奏効、78 安定/進行性疾患および公開されているTCGA-NSCLCコホート（N=986）を用いたマルチタスク学習において探究しました。SUNYコホートの残りの40％（N=62；部分的/完全奏効16、安定/進行性疾患46）はテストに使用されました。訓練は5分割交差検証で行い、最終モデルは全5分割で訓練されたモデルのアンサンブルとして選択されました。訓練・テストの分割は層化ランダムサンプリング法で作成され、反応者と非反応者の比率が分割間で変わらないようにしました。性能は正確率（全真陽性値）、適合率（陽性的中率）、再現率（感度）、F1スコア（適合率と再現率の平均値）で評価しました。AIモデルによる注目マップは、ICI反応と有意に関連するTMEの関連空間領域を強調表示するために使用しました。結果：我々の注目に基づくマルチタスクアプローチは、ホールドアウトテストセットで総合的に79％の予測精度、適合率0.53、再現率0.24、F1スコア0.33を達成しました。対照的に、病理医によるPDL1免疫組織化学スコア≥50％では精度47％、適合率0.09、再現率0.125、F1スコア0.11でした。結論：初期結果は、NSCLCのH&E画像に対する注目に基づくマルチタスク学習が、患者のICI反応を予測する重要な腫瘍内因性および微小環境的特徴を明らかにする可能性を示しています。臨床および分子データの追加取り込みによる訓練と検証により、AI由来のバイオマーカーおよび分類器を用いたICI反応予測精度がさらに向上する可能性があります。