Инструмент на основе искусственного интеллекта предлагает впечатляющий прогресс в диагностике рака поджелудочной железы
Исследователи успешно разработали модель глубокого обучения, которая классифицирует аденокарциному протоков поджелудочной железы (PDAC), наиболее распространенную форму рака поджелудочной железы, на молекулярные подтипы с использованием изображений гистопатологии. Этот подход обеспечивает высокую точность и предлагает быструю и экономически эффективную альтернативу текущим методам, которые полагаются на дорогостоящие молекулярные анализы.
Новое исследование, опубликованное в Американском журнале патологии , обещает усовершенствовать персонализированные стратегии лечения и улучшить результаты лечения пациентов .
Недавно PDACs превзошли рак груди как третью по значимости причину смертности от рака в Канаде и Соединенных Штатах. Хирургическое вмешательство может вылечить примерно одну пятую случаев PDAC, если они обнаружены на ранней стадии. Хотя этим пациентам проводится хирургическое вмешательство , пятилетняя выживаемость остается на уровне 20%. Примерно у 80% пациентов уже развилась метастатическая болезнь на момент постановки диагноза, и большинство из этих пациентов умирают от болезни в течение года.
Агрессивность PDAC представляет собой серьезную проблему при использовании технологий секвенирования для определения плана лечения пациента. Быстрое клиническое ухудшение заболевания требует быстрых действий по выявлению лиц, подходящих для таргетной терапии и включения в клинические испытания. Однако текущие сроки выполнения молекулярного профилирования, которые составляют от 19 до 52 дней с момента биопсии, не соответствуют этим требованиям, чувствительным к времени.
Соруководитель исследования Дэвид Шеффер, доктор медицины, отделение патологии и лабораторной медицины, Университет Британской Колумбии, больница общего профиля Ванкувера и Центр поджелудочной железы Британской Колумбии, поясняет: «Открывается все больше и больше потенциально применимых подтипов для персонализации лечения пациентов с раком поджелудочной железы. Однако подтипирование по-прежнему полностью основано на геномной методологии, основанной на ДНК и РНК, выделенных из ткани.
«Эта методология является выдающейся, если присутствует достаточное количество ткани, что не всегда имеет место в случае опухолей PDAC, учитывая сложное анатомическое расположение этого органа. Наше исследование предоставляет многообещающий метод экономически эффективной и быстрой классификации молекулярных подтипов PDAC на основе обычных окрашенных гематоксилином и эозином слайдов, что потенциально приводит к более эффективному клиническому лечению этого заболевания».
Исследование включало обучение моделей глубокого обучения ИИ на изображениях патологии всего слайда для идентификации молекулярных подтипов PDAC — базальноподобного и классического — с использованием окрашенных гематоксилином и эозином (H&E) слайдов. Окрашивание H&E — это экономически эффективный и широко доступный метод, который обычно выполняется с короткими сроками выполнения в лабораториях патологии для диагностики и прогнозирования.
Модели были обучены на 97 слайдах из The Cancer Genome Atlas (TCGA) и протестированы на 110 слайдах от 44 пациентов в локальной когорте. Самая эффективная модель достигла точности 96,19% при идентификации классических и базальных подтипов в наборе данных TCGA и 83,03% в локальной когорте, что подчеркивает ее надежность в различных наборах данных.
Соруководитель исследования Али Башашати, доктор философии, факультет биомедицинской инженерии и кафедра патологии и лабораторной медицины Университета Британской Колумбии, отмечает: «Чувствительность и специфичность модели составили 85% и 100% соответственно, что делает этот инструмент ИИ весьма применимым для сортировки пациентов для молекулярного тестирования».
«Кроме того, главным достижением этого исследования является тот факт, что модель ИИ смогла обнаружить подтипы по изображениям биопсии, что делает ее чрезвычайно полезным инструментом, который можно использовать во время диагностики».
Доктор Башашати заключает: «Этот подход на основе искусственного интеллекта обеспечивает впечатляющий прогресс в диагностике рака поджелудочной железы, позволяя нам быстро и экономически эффективно определять ключевые молекулярные подтипы ».