ヘマトキシリン・エオジン染色標本から深層学習を用いて膵癌の臨床的に関連のある分子サブタイプを推定する

科学分野:

• 計算病理学
• 腫瘍学における人工知能
• 分子診断

背景:

• 膵管腺癌（PDAC）の塩基型および古典型サブタイプへの分子サブタイピングは、予後および予測値を持っています。
• 分子サブタイピングの臨床応用は、コスト、時間、および組織要件によって制限されています。
• PDAC患者を層別化するためのアクセス可能な方法が必要です。

研究 の 目的:

• 治療関連PDAC分子サブタイプの予測のための解釈可能な深層学習フレームワークであるPanSubNetを紹介します。
• 標準的なヘマトキシリン・エオジン（H&E）染色全スライド画像から直接分子サブタイピングを可能にします。
• PDAC管理における臨床的意思決定を促進します。

主な方法:

• PanSubNetは、2つの多施設コホート（PANCAN、TCGA）の1,055人の患者の、組織学およびRNAシーケンスデータがペアになったデータを使用して開発されました。
• グラウンドトゥルースラベルは、GATA6発現によって洗練されたMoffitt 50遺伝子シグネチャから導出されました。
• モデルは、マルチスケール表現学習と特徴アトリビューションのための注意メカニズムを備えたデュアルスケールアーキテクチャを利用しています。

主要な成果:

• PANCAN（内部検証）では、感度と特異度のバランスが取れたAUC 88.5%を達成しました。
• TCGA（外部検証）では、AUC 84.0%で堅牢な一般化能力を示しました。
• PanSubNetは、RNAシーケンスベースのラベルと比較して予後層別化を維持・強化し、予測は転写プログラムおよびDNA損傷修復シグネチャに整合しました。

結論:

• PanSubNetは、標準的なH&EスライドからPDACの分子層別化のための、迅速、費用対効果が高く、臨床的に展開可能なツールを提供します。
• 解釈可能なフレームワークは、精密腫瘍学のためのデジタル病理ワークフローへの統合をサポートします。
• 現在、2つの施設で進行中の検証により、実際のパフォーマンスと臨床的有用性を評価することを目指しています。