病理画像からのHRD検出のための臨床的に翻訳可能なマルチモーダル深層学習モデル

科学分野:

• 腫瘍学
• 計算生物学
• 病理学

背景:

• ポリ（ADP-リボース）ポリメラーゼ（PARP）阻害剤療法は、ますます手頃な価格になり、乳がんおよび卵巣がんにおいて重要です。
• 相同組換え欠損（HRD）はPARP阻害剤応答の重要なバイオマーカーですが、その同定は困難です。
• HRD検査のための現在の次世代シーケンシング（NGS）は、組織依存性があり、失敗率が高く、ターンアラウンド時間が長いです。

研究 の 目的:

• HRDの状態を予測するための非侵襲的な方法を開発すること。
• 現在の組織ベースのHRD検査方法の限界を克服すること。
• PARP阻害剤療法をガイドするための、迅速、費用効果が高く、組織を節約する代替手段を作成すること。

主な方法:

• マルチモーダルAIモデルTRINITYの開発。
• TRINITYは、画像、画像ベースのトランスクリプトーム、および臨床分子データを統合します。
• H&E染色サンプルの全スライド画像（WSI）を分析して、HRDの状態を予測しました。

主要な成果:

• TRINITYは、TCGAの乳がんおよび卵巣がんサンプルで高いパフォーマンスメトリクス（例：AUC-ROC 0.91および0.72）を達成しました。
• モデルは、外部ブラインドスタディ（AUC-ROC 0.89）で有望な結果を示しました。
• TRINITYは、異なるコホート間でHRDの状態を予測する可能性を示しました。

結論:

• TRINITYは、HRDの従来のNGS検査の迅速、費用効果が高く、組織を節約する代替手段としての可能性を示しています。
• AIモデルは、PARP阻害剤療法から恩恵を受ける可能性のある患者の特定に役立つ可能性があります。
• 多様ながん種にわたるTRINITYの一般化可能性を確認するには、さらなる検証が必要です。