在九种不同的瘤类型中,从常规组织学和基于注意力的多重实例学习中预测同源重组缺陷
Chiara Maria Lavinia Loeffler1,2,3, Omar S M El Nahhas2, Hannah Sophie Muti2,4
1Department of Medicine III, University Hospital RWTH Aachen, Aachen, Germany.
BMC biology
|October 8, 2024
概括
深度学习模型可以使用常规的H&E组织学图像来预测同源重组缺陷 (HRD) 状态. 这种方法简化了HRD测试,潜在地识别出更多可以从PARP抑制剂 (PARPi) 中受益的患者.
科学领域:
- 计算病理学计算病理学
- 基因组医学是一种基因组医学.
- 人工智能在瘤学中的应用
背景情况:
- 同源重组缺陷 (HRD) 是PARP抑制剂 (PARPi) 治疗疗效的关键生物标志物.
- 目前的HRD测试方法复杂且具有挑战性.
- 开发更简单,更易于使用的HRD检测方法对于临床应用至关重要.
研究的目的:
- 调查深度学习 (DL) 模型的潜力,以仅使用标准的血素和素 (H&E) 组织学图像来预测HRD状态.
- 评估基于DL的HRD预测在九种不同的癌症类型中的通用性.
- 建立基于图像的HRD预测的概念验证,作为复杂的基因组测试的可行替代方案.
主要方法:
- 开发一个注意力加权多重实例学习 (attMIL) 深度学习管道.
- 从全基因组测序 (WGS) 数据中计算基因组痕HRD得分,使用异构性损失 (LOH),端粒基失衡 (TAI) 和大规模状态转换 (LST) 的数据.
- 在两个独立的队列上使用接收器操作特征曲线 (AUROC) 下的面积来评估模型性能.
主要成果:
- 该DL模型准确地预测了子宫内膜,胰腺和肺癌中的基因组HRD状态,交叉验证的AUROC分别为0.79,0.58和0.66.
- 预测显示出对外部队列的强烈概括 (AUROCs:0.93,0.81,0.73).
- 一个经过乳腺癌训练的分类器成功预测了其他癌症类型 (例如子宫内膜,前列腺) 的HRD,表明了共同的HRD类型的表型.
结论:
- 同源重组缺陷 (HRD) 可以直接预测从H&E组织学幻灯片使用attMIL开发的深度学习方法.
- 这种基于图像的预测方法证明了在九种瘤类型的各种范围内的适用性.
- 这些发现支持AI在简化和扩大对个性化癌症治疗的HRD测试的访问方面的潜力.
