ルーチン病理組織から肝内胆管癌のトランスクリプトームクラスを予測するための自己教師あり学習

科学分野:

• デジタル病理学
• 計算病理学
• 腫瘍学

背景:

• iCCAのトランスクリプトーム分類は予後および治療に関する洞察を提供するが、組織および費用の制限により臨床導入の障壁に直面している。
• 最近の進歩により、iCCA分類は5つの異なるサブクラスに洗練された。

研究 の 目的:

• デジタル化された全スライド画像（WSI）から直接iCCAトランスクリプトームクラスを予測するための自己教師あり学習（SSL）モデルを開発および検証する。
• 従来の分子解析を回避し、トランスクリプトーム分類に日常的な病理組織スライドを使用する実現可能性を評価する。

主な方法:

• Giga-SSLモデルを、246人の患者（発見セット）からの766のWSIでトレーニングした。
• TCGAコホート（n=29）およびフランスの外部検証セット（n=32）でモデルを検証した。
• トランスクリプトームクラスの予測のために、曲線下面積（AUC）を用いて性能を評価した。

主要な成果:

• 発見セットにおいて、最も頻度の高い4つのiCCAトランスクリプトームクラスの予測において、良好から非常に良好な性能（AUC 0.63-0.84）を示した。
• 肝幹様クラスは高い精度（AUC 0.84）で予測された。
• 検証セットでも一貫した性能が観察され、AUCは0.76から0.92の範囲であった。

結論:

• SSLベースのモデルは、日常的な生検および外科病理組織スライドからiCCAトランスクリプトームクラスを正確に予測できる。
• この計算アプローチは、iCCAの予後予測および治療ガイダンスの改善のためのトランスクリプトーム分類の臨床実装を容易にする。
• このモデルは、スケーラブルで実用的なソリューションを提供し、iCCA管理における個別化医療を加速する可能性がある。