ヒストロジカル・スライドでのディープ・ラーニングは,コンセンサス 結腸がんにおける分子サブタイプと空間的異質性を正確に予測する

科学分野:

• 腫瘍学
• コンピューター病理学
• バイオ情報学

背景:

• 大腸がん (CC) は,分子サブタイプ (CMS) が治療効果に影響を与える異質な疾患です.
• 現在の補助的なCC治療はTとNの段階決定に依存し,分子情報を無視する可能性があります.
• CMSサブタイプ内の腫瘍内異質性 (ITH) は,より悪い予後に関連しています.

研究 の 目的:

• 全スライド画像 (WSIs) を使用してCMSとITHを予測するためのディープラーニングモデルを開発し,検証する.
• 内部および外部検証コホートでのモデルのパフォーマンスを評価する.
• CMSの空間分布をマッピングし,CMSのサブタイプと組織学的特徴を関連付けるモデルの能力を探求する.

主な方法:

• PETACC-8,TCGA-COAD,およびPRODIGE-13コホート全体で1,996人のCC患者からWSIを使用しました.
• 自己監督のパッチ埋め込みと弱監督のCMS予測を含むディープラーニングフレームワークを開発しました.
• 基本的真実のCMSスコア付けのCMSclassifierを使用し,解釈性分析を行った.

主要な成果:

• 93. 0% (内部CV) と94. 4% (外部検証) の均質な腫瘍 (PETACC-8モデル) の高いマクロ平均AUCを達成した.
• このモデルはCMSを正確に予測し,ITHを特徴付け,コホート全体にわたって堅実性を示しました.
• 空間的なCMS分布と組織学とCMSサブタイプ間の関連がうまく可視化されました.

結論:

• ルーティンヒストロジーWSIに関するディープラーニングは,CCCとITHを予測するための効率的な方法を提供します.
• このアプローチは,従来のステージ設定を超えて,補助療法の患者層分化を高めることができます.
• この発見は,CMSとITHの評価をCC管理に日常的に統合することを支持しています.