医疗人工智能企业Lunit表示，其证明了人工智能基础免疫组织化学染色（IHC）分析解决方案“Lunit SCOPE uIHC”的优异性能的研究结果，已于12日刊登在世界知名科学学术期刊《自然》旗下子刊《npj Precision Oncology》（影响因子6.8[1]）。
免疫组织化学染色（IHC）是一种检测癌组织内特定蛋白或抗原的方法。近年来，随着新型抗癌药物开发日益活跃，用于评估抗癌药物靶点表达程度的IHC重要性不断提升。以往由病理专科医生进行人工评估，但存在评估者之间差异较大以及主观解读等局限。
基于深度学习的人工智能分析正成为替代方案，然而开发人工智能模型需要大规模数据集，尤其是用于新药开发的新型免疫组织化学染色，在获取大规模数据方面存在困难，从而对人工智能模型开发形成限制。
Lunit研究团队与国内多家大型医院研究团队合作，为克服上述局限，对通用免疫组织化学染色（uIHC）分析人工智能模型的性能进行了验证。
研究团队共利用了3046名患者的切片图像，其中包括肺癌、膀胱癌、乳腺癌组织的PD-L1蛋白染色数据以及乳腺癌的HER2蛋白染色数据。研究团队比较评估了分别以各自数据集开发的单一队列人工智能模型，与将多个数据集整合学习的多队列人工智能模型的性能。结果显示，学习了全部4个数据集的多队列人工智能模型（Lunit SCOPE uIHC）表现出最优性能。
具体来看，在反映病理医生判读结果与人工智能分析结果一致程度的指标科恩卡帕系数（Cohen's Kappa）方面，该模型在已学习的癌种及免疫组织化学染色类型中达到0.792，高于单一队列人工智能模型的最高一致度0.744。在对未曾学习过的新癌种和新免疫组织化学染色类型进行分析时，一致度也达到0.610，较仅以单一数据集训练的模型所得0.508高出10%以上。
在评估全部肿瘤细胞中免疫组织化学染色阳性肿瘤细胞比例的“肿瘤比例评分（TPS）”方面，Lunit SCOPE uIHC也以75.7%的准确率和0.921的曲线下面积（AUC[2]），证明了其分析能力优于其他人工智能模型。
该研究表明，利用多样化数据训练的人工智能模型能够对多种癌种和多种免疫组织化学染色进行分析，具有重要意义。即便面对新的癌种或新的免疫组织化学染色类型，也无需追加训练即可开展分析，由此再次证明，人工智能可作为预测药物在罕见癌种或新靶点上疗效的重要解决方案。
Lunit首席执行官Seo Bumseok表示：“在全球每年开发数百种新的抗癌药物候选物质的背景下，通用免疫组织化学染色人工智能模型的开发将对新药开发过程提供巨大助力。”他还补充称：“在需要开发伴随诊断的新增抗癌药物研究中，基于人工智能的定量分析解决方案的重要性将进一步提升。”
版权所有 © 阿视亚经济。未经许可不得转载，禁止用于AI训练及使用。
