病理学財団モデルを用いた乳癌における再発リスクの解釈可能な予測に向けて

科学分野:

• 計算病理学
• 腫瘍学における人工知能
• バイオマーカー発見

背景:

• PAM50ベースのROR-Pスコアのようなトランスクリプトームアッセイは、ER陽性、HER2陰性乳癌における再発リスクの層別化に不可欠である。
• これらのトランスクリプトームアッセイは普遍的にアクセス可能ではないため、リスク層別化のための代替方法が必要とされている。

研究 の 目的:

• HE染色全スライド画像からROR-Pスコアを予測するための病理学財団モデルを評価するフレームワークであるMAKOを導入すること。
• 再発リスクを予測する能力について、12の病理学財団モデルと2つの非病理学ベースラインをベンチマークすること。

主な方法:

• 全スライド画像からのROR-Pスコア予測のために、注意機構ベースのマルチインスタンス学習を利用した。
• カロライナ乳癌研究（CBCS）コホートで財団モデルを訓練および検証し、TCGA BRCAデータでテストした。
• HIPPO解釈可能性法を用いて、主要な腫瘍領域と候補バイオマーカーを特定した。

主要な成果:

• 複数の財団モデルが、分類、回帰、生存予測タスクにおいてベースラインモデルを上回った。; CONCHは最も高いROC AUCを達成し、H-optimus-0とVirchow2は連続ROR-Pスコアとの相関で最高を示した。; 組織学ベースのモデルは、トランスクリプトームROR-Pスコアに匹敵する再発リスクによってCBCS参加者を効果的に層別化した。

結論:

• 解釈可能な組織学ベースのAIモデルは、乳癌の再発リスク層別化のためのスケーラブルな代替法として大きな可能性を秘めている。
• 財団モデルは再発リスクを正確に予測でき、精密腫瘍学への応用を改善する可能性がある。
• 腫瘍領域は高リスク予測に重要であり、特定されたバイオマーカーはさらなる調査に値する。