深度学习人工智能预测同源重组缺陷和白金反应从组织学幻灯片
Erik N Bergstrom1,2,3, Ammal Abbasi1,2,3, Marcos Díaz-Gay1,2,3
1Moores Cancer Center, UC San Diego, La Jolla, CA.
概括
深度学习工具DeepHRD从标准的H&E幻灯片中预测同源重组缺陷 (HRD),改善癌症治疗的患者分层. 这种人工智能方法比分子测试能识别出更多HRD阳性患者,从而提高治疗结果.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 数字病理学数字病理学
背景情况:
- 同源重组缺陷 (HRD) 预测了对基化疗和癌症中PARP抑制剂的反应.
- 目前的HRD检测方法依赖于分子分析,但并非所有人都能使用.
- 需要可访问的方法来确定瘤中的HRD状态.
研究的目的:
- 开发和验证DeepHRD,这是一个深度学习平台,用于从常规的H&E中预测HRD.染色了他的病理幻灯片.
- 将DeepHRD的性能与标准分子HRD测试进行比较.
- 评估DeepHRD在预测治疗反应和生存结果方面的临床实用性.
主要方法:
- 在DeepHRD的培训中,使用了来自癌症基因组图谱 (TCGA) 的原发性乳腺和卵巢癌数据.
- 该平台的预测准确性在独立的乳腺和卵巢癌队列上进行了评估.
- 性能与使用临床数据的四个标准HRD分子测试进行了比较,包括无进展生存 (PFS) 和整体生存 (OS).
主要成果:
- DeepHRD在乳腺癌中从H&E幻灯片中预测HRD的准确性很高 (AUC 0.81),并在外部队列中得到证实 (AUC 0.76).
- 在治疗的转移性乳腺癌中,DeepHRD预测的HRD与更高的完全响应率和显著改善的PFS相关 (3.7倍增加).
- DeepHRD还预测,用基疗法治疗的卵巢癌患者的生存状况有所改善.
结论:
- DeepHRD准确地从乳腺和卵巢癌中的H&E幻灯片直接预测HRD状态.
- 与分子测试相比,人工智能工具发现了1.8到3.1倍的HRD阳性患者.
- DeepHRD显示了针对癌症向治疗的患者分层的更广泛临床应用的潜力.
