ESPWA: 資源が限られた環境で精度に基づいた内分泌療法のための深層学習を可能にするツール

科学分野:

• コンピューター病理学
• 腫瘍学における人工知能
• 癌診断のためのデジタル組織病理学

背景:

• 低・中所得国 (LMICs) は癌の罹患率に不均衡な影響を及ぼしています.
• エストロゲン受容体 (ER) ステータスの評価が遅れたり,利用できないことが,乳がん内分泌療法 (ET) を阻害する.
• 経験的なET使用は,ER陰性患者の無効で有毒な治療につながります.

研究 の 目的:

• ディープラーニング (DL) モデル,ESPWA (ディープラーニングを活用した全スライド画像分析を用いたハイチ患者のエストロゲン受容体状態予測) の開発と検証.
• ヘマトキシリンとエオシン (H&E) で染み付いたスライド画像 (WSI) から直接ESPWAの性能を評価する.
• 資源の限られた環境で腫瘍のプロファイリングのためのアクセシブルなツールを提供すること.

主な方法:

• H&E WSIsで注意力ベースのマルチインスタンス学習を弱く監視した2つのDLモデルをマッチしたER状態で訓練しました.
• ハイチからのがんゲノムアトラス (TCGA) とZanmi Lasante (ZL) をモデルトレーニングと検証に利用した.
• 10倍クロス・バリデーションを使って モデルのパフォーマンスを評価し,学術的な乳房病理学者と比較した.

主要な成果:

• ESPWAは,TCGAデータ (AUROC=0.671) でのみ訓練されたモデルと比較して,ハイチ (ZL) のコホートで改善されたパフォーマンスを示しました.
• ESPWAは,H&E WSIsからER状態を決定する際の学術的な乳房病理学者を上回った (精度:0.726対0.639).
• サブグループ分析では,ESPWAが改善した特定の患者集団が特定されました.

結論:

• ESPWAは,H&E WSIsからER状態を予測するためのアクセシブルな枠組みを提供し,LMICにおける個別化された治療の洞察を可能にします.
• このモデルの性能は 専門的な病理学者の性能を上回ります
• ハイチとサハラ以南のアフリカでは,乳がん患者の精密なET使用をガイドする臨床試験が進行中です.