組織マイクロアレイを用いた乳がんの分子サブタイプの自動化のための階層的画像ピラミッドトランスフォーマーフレームワーク

科学分野:

• 計算病理学
• 腫瘍学における人工知能
• デジタル病理学と深層学習

背景:

• 乳がんの分子的不均一性は、診断と治療を複雑にします。
• 現在の免疫組織化学ベースのサブタイピングは、腫瘍内不均一性とサンプリングバイアスのために限界に直面しています。
• 既存の深層学習モデルは、高解像度病理画像におけるマルチスケール特徴と長距離依存関係に対処するのに苦労しています。

研究 の 目的:

• H&E染色画像を使用した乳がんの自動分子サブタイピングのための新しい深層学習フレームワーク、PBC-HIPTを開発および検証すること。
• エストロゲン受容体（ER）、プロゲステロン受容体（PR）、ヒト上皮増殖因子受容体2（HER2）、およびKi-67を含む主要なバイオマーカーの予測におけるフレームワークのパフォーマンスを評価すること。
• PBC-HIPTを確立された複数のインスタンス学習法と比較すること。

主な方法:

• マルチレベルトランスフォーマーベースのアーキテクチャであるPathomics Breast Cancer Hierarchical Image Pyramid Transformer（PBC-HIPT）を開発しました。
• 252の組織マイクロアレイ（TMA）および46の全スライド画像（WSI）からなる多施設共同コホートでモデルをトレーニングおよび検証しました。
• 3クラス、4クラス、5クラスの分子サブタイピングおよびバイオマーカー予測のために、5分割交差検証を使用してパフォーマンスを評価しました。

主要な成果:

• PBC-HIPTは、3クラスサブタイピングタスク（ルミナル、HER2富化、トリプルネガティブ乳がん）で84.3％の平均精度と0.91のAUCを達成しました。
• バイオマーカー予測における優れたパフォーマンス：ER（精度91.8％、AUC 0.97）、PR（精度92.0％、AUC 0.96）、Ki-67（精度73.8％、AUC 0.81）、およびHER2（精度84.6％、AUC 0.85）。
• TMAで堅牢な一般化を示しましたが、WSIクロスモダリティ検証ではパフォーマンスの低下が見られました。

結論:

• PBC-HIPTモデルは、H&E染色されたTMAからの乳がんの正確な分子サブタイピングのための堅牢で自動化されたソリューションを提供します。
• このフレームワークは、個別化治療を支援する主要な予測および予後バイオマーカーを効果的に予測します。
• 全スライド画像解析のためのクロスモダリティ一般化を改善するには、さらなる研究が必要です。