在资源有限的环境中使用精确的内分泌疗法

科学领域:

• 计算病理学
• 在瘤学中使用人工智能
• 用于癌症诊断的数字组织病理学

背景情况:

• 癌症发病率对低收入和中等收入国家 (LMICs) 有不成比例的影响.
• 延迟或不可用的雌激素受体 (ER) 状态评估阻碍了乳腺癌内分泌治疗 (ET).
• 经验性ET使用导致ER阴性患者的无效和有毒治疗.

研究的目的:

• 开发和验证深度学习 (DL) 模型,即ESPWA (使用深度学习支持的全幻灯片成像分析预测海地患者的雌激素受体状态).
• 直接从血素和素 (H&E) 染色的整片图像 (WSIs) 中评估ESPWA的性能.
• 在资源有限的环境中提供可访问的瘤分析工具.

主要方法:

• 在H&E WSIs上使用弱监督的基于注意力的多个实例学习训练了两个DL模型,并匹配了ER状态.
• 利用来自海地的癌症基因组图谱 (TCGA) 和Zanmi Lasante (ZL) 来进行模型培训和验证.
• 使用十倍交叉验证评估模型性能,并与学术乳腺病理学家进行比较.

主要成果:

• 与仅使用TCGA数据 (AUROC=0.671) 训练的模型相比,ESPWA在海地 (ZL) 队列中表现得更好 (AUROC=0.790).
• 在确定H&E WSIs的ER状态方面,ESPWA的表现优于学术乳腺病理学家 (准确率:0.726vs0.639).
• 亚组分析确定了ESPWA表现提高的特定患者群体.

结论:

• 通过H&E WSIs预测ER状态,ESPWA提供了一个可访问的框架,使LMIC能够获得个性化的治疗见解.
• 模型的性能超过了专家病理学家在这个特定的任务.
• 在海地和撒哈拉以南非洲正在进行临床试验,以指导潜在的乳腺癌患者使用精确的ET.