用于提高III期临床试验成功概率的深度学习衍生组织病理学图像评分
图像与视频处理
2020-11-12 v1 计算机视觉与模式识别
摘要
III期临床试验的失败导致了肿瘤学药物开发的高昂成本。为大幅降低此类成本，需要在III期临床试验规划前、以有限患者数据在药物开发早期识别肿瘤治疗的应答者。尽管存在小样本量的挑战，我们开创了使用深度学习衍生的数字病理学评分，基于来自I期非小细胞肺癌临床试验的肿瘤活检样本中表达靶抗原的免疫组化图像来识别应答者。基于重复的10折交叉验证，与基于肿瘤比例评分（TPS）的临床基准相比，深度学习衍生评分平均实现了高4%的ROC曲线AUC和高6%的精确率-召回率曲线AUC。在一个小的独立患者测试集中，我们还证明深度学习衍生评分在富集人群中实现的应答者率数值上至少比TPS临床基准高25%。
引用
@article{arxiv.2011.05406,
title = {Deep Learning Derived Histopathology Image Score for Increasing Phase 3 Clinical Trial Probability of Success},
author = {Qi Tang and Vardaan Kishore Kumar},
journal= {arXiv preprint arXiv:2011.05406},
year = {2020}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2020 - Extended Abstract