深度学习使用组织学图像来预测肺癌中的基因突变:一个多中心的回顾性研究
Yu Zhao1, Shan Xiong2, Qin Ren3
1Department of Thoracic Oncology and Surgery, The First Affiliated Hospital of Guangzhou Medical University, State Key Laboratory of Respiratory Disease & National Clinical Research Center for Respiratory Disease, Guangzhou, China; AI Lab, Tencent, Shenzhen, China.
The Lancet. Oncology
|December 9, 2024
概括
一个名为DeepGEM的AI工具可以从标准组织学幻灯片中预测肺癌基因突变,为更好的治疗规划提供了传统基因组测试的快速和负担得起的替代方案.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 医疗成像医学成像
背景情况:
- 精确的驱动基因突变检测对于肺癌的预后和治疗至关重要.
- 传统的基因组测试受到组织需求和资源强度的限制.
- 需要一种人工智能驱动的方法来实现可访问的突变预测.
研究的目的:
- 开发一种没有注释的AI方法 (DeepGEM) 来从组织学幻灯片中预测基因突变.
- 评估DeepGEM在内部,外部和公共数据集上的表现.
- 评估模型对淋巴结转移活检的概括性.
主要方法:
- 一项多中心的回顾性研究,涉及3637名肺癌患者,并配对了病理图像和突变数据.
- 共同监督的多个实例学习模型的开发,标签明确.
- 在内部,外部 (15家医院) 和癌症基因组图谱 (TCGA) 数据集上的验证.
主要成果:
- 在所有数据集中,DeepGEM表现出强大的性能,AUC值在0.76到0.97.7之间.
- 该模型准确地预测了切除和吸收活检样本中的突变.
- 确认了淋巴结转移的泛化,EGFR和KRAS突变的AUC很高.
结论:
- 一种基于AI的方法 (DeepGEM) 提供了基因突变及其空间分布的准确,及时和经济的预测.
- DeepGEM显示出作为指导肺癌临床治疗的辅助工具的巨大潜力.
- 人工智能方法克服了传统基因组测试的局限性,特别是在资源有限的环境中.
