基于组织病理学的人工智能模型预测了癌临床试验中的抗血管原治疗反应

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 生物标志物发现发现

背景情况:

• 转移性清细胞细胞癌 (ccRCC) 缺乏治疗反应的预测生物标志物.
• 血管新生是一个关键的目标,基于RNA的Angioscore预测了抗血管新生 (AA) 治疗反应.
• 目前用于Angioscore的转录组测试受到成本,时间和异质性挑战的限制.

研究的目的:

• 开发一个深度学习 (DL) 模型,直接从组织病理学幻灯片预测Angioscore.
• 通过生成视觉血管网络来克服传统DL模型的解释性限制.
• 在多个独立的队列中验证模型的可靠性,包括临床试验.

主要方法:

• 用一种新的深度学习方法来分析基因病理图像.
• 该模型被训练来预测基于RNA的Angioscore.
• 通过生成视觉血管网络作为预测的基础来增强可解释性.
• 该模型在各种患者队列上得到验证,包括临床试验数据集.

主要成果:

• DL模型准确地预测了独立队列中的基于RNA的Angioscore (斯皮尔曼相关性为0.77和0.73).
• 模型预测揭示了血管生成,瘤等级,阶段和驱动突变之间的生物学关联.
• 该模型在现实世界和临床试验数据中成功预测了对AA治疗的反应.
• 它的预测性能几乎与基于RNA的Angioscore竞争,但成本要低得多.

结论:

• 这种可解释的DL方法提供了从组织病理学幻灯片的强有力的血管评分预测.
• 该方法为ccRCC中的血管生成和抗血管生成治疗反应提供了宝贵的见解.
• 这种技术为临床应用提供了现有基因组测试的实用和经济有效的替代方案.