Un model de inteligență artificială prezice subtipurile de cancer și rezultatele de supraviețuire pentru 32 de tumori solide
Cercetătorii au dezvoltat un model nou de inteligență artificială capabil să analizeze imagini histopatologice complete și să prezică simultan subtipul cancerului, mutațiile genetice specifice și rezultatele de supraviețuire pentru 32 de tipuri diferite de tumori solide, în loc să se concentreze pe un singur tip de cancer.
Rezultatele studiului publicat în The American Journal of Pathology de către Elsevier evidențiază potențialul patologiei computaționale de a conecta imagistica diagnostică obișnuită cu oncologia moleculară.
Histopatologia, studiul microscopic al țesuturilor, rămâne standardul de aur pentru diagnosticarea cancerului și identificarea caracteristicilor prognostice pentru majoritatea tumorilor solide. Totuși, fluxurile clinice actuale depind în continuare de teste moleculare și genomice suplimentare pentru a identifica modificările esențiale, cum ar fi cele din TP53, una dintre cele mai frecvent modificate gene de supresie a tumorilor în cancerul uman. Deoarece mutațiile în TP53 influențează creșterea tumorilor și rezistența la tratament, diagnosticul precis și profilarea moleculară sunt esențiale pentru ghidarea tratamentului și îmbunătățirea rezultatelor pentru pacienți.
Profilarea moleculară standard pentru mutațiile TP53 este adesea costisitoare și inaccesibilă în medii clinice defavorizate sau izolate. „Am dorit să dezvoltăm un instrument mai practic pentru patologii”, a declarat Alex W. Hewitt, PhD, co-lead investigator, Menzies Institute for Medical Research și School of Medicine, University of Tasmania. În prezent, majoritatea modelelor bazate pe învățarea profundă sunt utilizate pentru concepte unice; un model pentru o singură sarcină. Am dezvoltat un model unic care poate genera șapte rezultate simultan din imaginea histopatologică completă, inclusiv statutul mutației TP53, expresia ARN-ului TP53, tipul tumorii și rezultatele legate de supraviețuire la nivel de diapozitiv.
Modelul bazat pe AI, cunoscut sub numele de Vision Transformer, a analizat imagini complete de diapozitive colorate cu hematoxilină și eosină (H&E) ale tumorilor solide umane. Modelul a fost antrenat pe un set de date care a inclus peste 11.000 de cazuri primare de tumori recuperate din Pan-Cancer Atlas, împreună cu date corespunzătoare despre mutații somatice, secvențiere ARN și rezultate clinice.
Cel mai semnificativ rezultat a fost că modelul a obținut un scor puternic de precizie predictivă (AUROC de 0.766) pentru detectarea mutațiilor TP53 în 32 de tipuri de tumori solide într-un set de validare independent de 1.729 de diapozitive. De asemenea, modelul a demonstrat capacitatea de a deduce nivelurile de expresie ARN TP53 și taxonomia tumorii direct din imaginile complete ale diapozitivelor.
Co-lead investigator Abadh K. Chaurasia, PhD, Menzies Institute for Medical Research, University of Tasmania, și Pandani Solutions Pty Ltd, a subliniat: „Această abordare ar putea ajuta la identificarea pacienților care ar putea beneficia de teste moleculare de confirmare, să sprijine trierea în medii cu testări genomice limitate și să ofere suport decizional suplimentar medicilor. Este important ca această metodă să fie considerată complementară testării moleculare, nu un înlocuitor. Impactul său potențial este cel mai mare ca instrument de screening, prioritizare sau suport decizional în cadrul unor căi diagnostice mai ample.”
Datorită dimensiunii și complexității extrem de mari a imaginilor complete de diapozitive, obținerea de anotații detaliate din partea experților pentru fiecare regiune tumorală relevantă este dificilă, costisitoare și adesea subiectivă. Prin urmare, cercetătorii au implementat o strategie de învățare slab supervizată.
„În acest studiu, etichetele moleculare, cum ar fi statutul mutației TP53, erau disponibile la nivel de patch, dar imaginile complete de diapozitive conținând informații morfologice asociate TP53 nu au fost etichetate manual. Supravegherea slabă a permis modelului să învețe din etichetele la nivel de diapozitiv și să identifice modele relevante în imagini fără a necesita anotații exhaustive la nivel de pixel sau regiune”, a explicat Dr. Hewitt.
Acesta a conchis: „Profilarea moleculară precisă din diapozitivele histopatologice de rutină, deja utilizate pe scară largă în îngrijirea cancerului, ar putea transforma oncologia clinică. Acest nou model bazat pe AI integrează sarcini diagnostice, moleculare și prognostice și ar putea ajuta medicii să obțină mai multe informații din fluxurile de lucru existente în patologie, susținând în final o îngrijire a cancerului mai accesibilă și intervenții timpurii.”
