近日，领星 PD-L1 免疫组化图像识别评分预测预后的成果摘要被 2020 年美国临床肿瘤学会年会（ASCO）收录，题目为「Application of Automated Segmentation and Classification of PD-L1 Immunohistochemistry Images in Cancer Treatment Prediction」。这也是领星「AI+医疗」的应用成果首次在世界级高水平权威临床肿瘤学会议上的亮相。
领星生物「AI+医疗」的应用场景在 2019 WAIC 上首次亮相，吸引了众多医疗行业的观展人员及国内外知名企业。领星生物在 WAIC 2019 上展示的亮点之一是 AI 辅助判读图像，也就是此次被 2020 ASCO 收录的摘要所涉及的领域。在患者的治疗过程中，各项检查往往会产生大量的影像图片，医生在判读这些图像时需要结合丰富的临床经验和丰厚的专业知识，才能做到不误判、不漏判，但这个枯燥重复的过程会消耗医生很多不必要的精力。
AI 辅助判读图像
领星生物将 AI 技术引入这一步骤，例如将 PD1 免疫组化图像借助 AI 进行辅助判读，应用了计算机领域图像分割与图像分类任务中最先进的模型，根据临床实践加以调整，使用数据库中累积的两万余张已被临床医生标注好的图像数据进行训练，达到辅助医生判读图像的目的，能够极大地提高医生判读图像的效率。以下为此次入选 2020ASCO 摘要的详细内容：
背景：
例如靶向 PD-1/ PD-L1 这类免疫检查点的疗法已经在多种癌症的治疗中取得了极大的成功，尤其是那些具有高 PD-L1 表达的癌症。 然而，患者对靶向免疫检查点疗法的响应率并不一致，当前的 PD-L1 免疫组织化学图像的评分方法主要由病理学医生手动进行，可能会有人为因素造成的差异（人员差异或是医院差异）。为解决这一问题，领星基于自动图像分析开发了一种 PD-L1 评分方法，并评估了这种评分方法的预测价值和预后价值。
方法：
分析档案或新鲜肿瘤活检组织中 PD-L1 的表达。使用 Python 和 Tensorflow 实现的自定义算法将数字图像自动打分为 PD-L1 阳性或阴性，该算法使用经过微调的 ImageNet 预训练的 Inception-ResNet-V2 模型作为二进制分类器，以及经过修改的 U-net 图像分割模型确定最终预测。受监督的机器学习用于控制由肿瘤微环境中 PD-L1 阳性炎症细胞引起的异质性。256 位患者的样本以 8：2 的比例随机分配接受算法训练和验证。
结果：
共计获得了 10000 张均衡分布的 PD-L1 阳性及阴性图像。结果发现，基于病理学家共识的读片结果与使用领星自定义算法自动化分析的结果（即 PD-L1 评分）的相关性极高（R = 0.97，p <0.0001）。领星自定义算法自动化分析的灵敏度达 0.94，特异性达 0.96。 此外，领星自定义算法的自动分析在不同工作站上进行独立试验的可重复性也极佳（R = 1.0，p <0.0001），远优于人类检查员进行的手动评分。
结论：
领星自动 PD-L1 评估算法大大降低了评分的可变性。 这可能有助于确定对 PD-1 / PD-L1 相关免疫疗法具有最佳反应的癌症患者，从而在临床实践中促进患者分层。
AI 辅助判读图像仅是领星基于医疗场景的人工智能和数据库可实现的应用和服务之一，还有更多强大的功能例如 NGS 数据突变辅助评分筛选、临床信息标准化入库、二代测序结合临床信息的决策树模型等，通过深度挖掘 AI 技术在肿瘤诊疗过程中的应用，真正做到让患者获益，帮助医生提高效率，推进中国肿瘤精准治疗发展。
此外，领星还同时将 AI 技术在肿瘤临床转化中的应用领域进行了深耕，通过整合国际标准的 CLIA / CAP 临床实验室服务、基于真实世界的深度分子+临床整合数据服务、云端开放的交互式 Saas 系统、以及独有的数据驱动智能算法，推出了数据智能（Data Intelligence）服务，为生物制药公司的肿瘤药物开发提供了一个强大且灵活的平台，可以根据客户的兴趣进行新药开发中的临床验证和探索，帮助轻松、快速地实现临床数据中的全部潜能。目前领星的数据智能技术已在新型生物标志物、新药物靶点发现，作用机制探索，临床试验设计和预测，药物联合策略，精准患者分层，和新适应症扩展等多方面得到了初步印证，期待未来能与更多优秀的生物、制药企业展开更紧密的合作，共同推进抗肿瘤创新药物的研发。
图片来源：领星