研究人员成功开发了一种深度学习模型，该模型可以将最常见的胰腺癌——胰腺导管腺癌（PDAC）通过组织病理学图像分类为分子亚型。这种方法实现了高精度，并且提供了一种快速、成本效益高的替代方法，当前的方法依赖于昂贵的分子检测。
这项新研究发表在《美国病理学杂志》上，承诺将推动个性化治疗策略的发展，改善患者预后。近年来，PDAC已经超过乳腺癌成为加拿大和美国癌症死亡的第三大原因。如果早期发现，大约五分之一的PDAC病例可以通过手术治愈。尽管这些患者接受了手术干预，但五年生存率仍仅为20%。大约80%的患者在诊断时已经发展为转移性疾病，其中大多数患者在一年内因疾病去世。
PDAC的侵袭性给使用测序技术制定患者护理计划带来了巨大挑战。疾病的迅速临床恶化要求迅速行动，以确定适合靶向治疗和纳入临床试验的个体。然而，目前从活检到分子谱型分析的周转时间从19天到52天不等，无法满足这些紧迫的需求。
共同首席研究员、不列颠哥伦比亚大学病理学和实验室医学系、温哥华总医院和BC胰腺中心的大卫·沙弗博士解释说：“越来越多的潜在可操作亚型被发现，可以用于个性化治疗胰腺癌患者。然而，亚型分类仍然完全基于从组织中提取的DNA和RNA的基因组方法。如果组织充足，这种方法非常出色，但对于PDAC肿瘤来说并不总是如此，因为该器官的解剖位置较为困难。我们的研究提供了一种有前景的方法，可以基于常规苏木精-伊红（H&E）染色切片，以成本效益高且快速的方式分类PDAC分子亚型，这可能有助于更有效地管理这种疾病。”
该研究涉及训练深度学习AI模型，以使用H&E染色切片识别PDAC的分子亚型——基底样型和经典型。H&E染色是一种成本效益高且广泛可用的技术，通常在病理实验室中进行，用于诊断和预后，且具有快速的周转时间。
模型在97张来自癌症基因组图谱（TCGA）的切片上进行了训练，并在44名患者的110张局部队列切片上进行了测试。表现最佳的模型在TCGA数据集中识别经典型和基底样型的准确率为96.19%，在局部队列中的准确率为83.03%，突显了其在不同数据集上的稳健性。
共同首席研究员、不列颠哥伦比亚大学生物医学工程学院和病理学与实验室医学系的阿里·巴沙什提博士指出：“该模型的敏感性和特异性分别为85%和100%，使其成为一种高度适用的工具，可用于分子检测的患者分流。此外，本研究的主要成就是AI模型能够从活检图像中检测亚型，使其成为一种在诊断时即可部署的高度有用的工具。”
巴沙什提博士总结道：“这种基于AI的方法在胰腺癌诊断方面取得了令人兴奋的进展，使我们能够快速且成本效益高地识别关键分子亚型。”
更多信息：Pouya Ahmadvand等人，《基于全切片病理图像的胰腺导管腺癌分子亚型识别的深度学习方法》，《美国病理学杂志》（2024）。DOI: 10.1016/j.ajpath.2024.08.006
期刊信息：美国病理学杂志
由Elsevier提供
(全文结束)
