美国纽约——中国广州医科大学的研究人员正在开发一种基于人工智能的检测工具，用于筛查肺癌患者的基因组改变，他们表示，这一工具在患者可能无法进行标准基因组检测的欠发达地区将特别有用。
被称为 DeepGEM 的这一工具能够根据肿瘤活检图像预测与各类肺癌相关的基因突变，如果患者由于成本和漫长的周转时间而无法进行常规基因组检测，它为患者提供了获取精准药物的潜在替代途径。
在本月早些时候举行的国际肺癌研究协会世界肺癌大会（WCLC）上，广州医科大学第一附属医院胸外科的博士生熊珊介绍了这项研究的结果，她和同事们评估了 DeepGEM 在来自不同癌症中心和数据库的患者样本中发现基因突变的能力。
熊珊在 WCLC 上展示数据时说：“快速、精确地检测驱动基因突变对于肺癌患者的精准治疗至关重要。然而，当前指南推荐的传统下一代测序耗时且资源密集，因此，对于大多数患者，特别是欠发达地区的患者来说，无法使用。”
熊珊说，在早期的一项研究中，她的团队发现一些突变具有特定的组织学特征，这促使他们探索利用人工智能从组织病理学切片图像中预测这些突变。
DeepGEM 使用一种无注释的深度多实例学习赋能的人工智能方法，从所有癌症患者确诊时制作的常规组织病理学切片中生成单细胞水平的空间基因突变图谱。DeepGEM 的模型预测工作流程包括导入完整的全切片图像，然后预测常见肺癌驱动基因（如 EGFR、KRAS、ALK、ROS1、TP53 和 LRP1B）的突变概率。
熊珊和广州医科大学第一附属医院胸外科教授梁文华以及其他合作者最初在 1717 名肺癌患者的原发性活检的配对病理图像和多基因 NGS 数据的内部数据集上对 DeepGEM 进行了训练。然后，他们在另外两个外部数据集上对该算法进行了测试——来自中国 15 个研究中心的 1719 张切片和来自美国癌症基因组图谱（TCGA）的 535 张切片，并衡量了该算法对更多种族多样化数据集的适应性。研究人员还评估了 DeepGEM 对一组肺癌淋巴结转移患者的切片图像的表现。
在内部数据集中，DeepGEM 对切除活检预测基因突变的中位曲线下面积（AUC）为 0.938，对穿刺活检为 0.891。在 15 个中心的外部数据集上进行测试时，中位 AUC 为 0.891，在 TCGA 数据集中，DeepGEM 的预测的 AUC 为 0.874。
研究人员表示，这些数字表明该算法在各种活检方法和数据集中表现始终良好。熊珊说：“我们将 DeepGEM 与在多中心大型队列研究中已被证明成功的现有基于人工智能的基因突变预测和病理图像分类方法进行了比较，DeepGEM 取得了显著优越的性能。”
她进一步指出，在亚洲患者的内部数据集上训练的 DeepGEM，在主要为美国患者的 TCGA 数据集上表现“不错”。这对于算法在不同患者群体中的应用非常重要，因为 EGFR 突变在亚洲患者中占主导地位，而 KRAS 突变在欧美患者中更常见。
研究人员称，DeepGEM 还对来自淋巴结转移的样本集做出了准确的预测，表明 DeepGEM 可以将其从原发性活检到转移的预测进行推广。
熊珊和她的合作者进一步研究了 DeepGEM 从组织病理学图像预测的某些基因突变与患者生存结果之间的关联。她说：“值得注意的是，我们发现预测 EGFR 突变概率高的患者生存结果明显更好。”当研究人员将 DeepGEM 预测的基因突变图谱与肿瘤的 IHC 染色进行比较时，他们注意到这两种方法标记的区域之间存在相关性。
同一肿瘤样本中细胞群体的异质性可能导致基因组信息的差异，并且可能是基因组检测中的一个混杂因素。在关于该研究的单独简报中，梁文华指出，DeepGEM 似乎考虑到了由于肿瘤异质性导致的样本变化。他说：“我们测试了[活检]切片中用于预测[基因突变]的部分。所有[部分]，包括癌性病变和癌性病变外的正常区域，都对预测有贡献。”
与传统 NGS 检测需要 7 到 10 个工作日才能获得结果相比，DeepGEM 大大缩短了周转时间。熊珊说，根据扫描系统的不同，扫描图像通常每张需要约 3 到 7 分钟，而 DeepGEM 的分析可以在不到 10 分钟内完成。DeepGEM 的成本仅包括扫描图像的成本，她预计其成本将明显低于 NGS 检测约 1900 美元的成本。
熊珊推测，DeepGEM 的快速预测能力可以让医生更快地做出治疗决策，使患者能够更快地接受靶向治疗。她说：“DeepGEM 为经济欠发达地区的多基因突变检测和精准治疗提供了机会，在这些地区基因检测难以负担。”
在对结果的讨论中，阿姆斯特丹大学医学中心的病理学家特奥多拉·拉多尼克（Teodora Radonic）同意 DeepGEM 在解决肺癌患者基因检测的周转时间方面具有“巨大潜力”。然而，她警告说，由于研究中使用的数据具有长尾分布，DeepGEM 算法可能存在数据过拟合的潜在风险，这可能导致 AI 方法在现实世界中的表现不如研究中的表现。拉多尼克说，最终需要一项将 DeepGEM 与 NGS 进行比较的随机试验，才能真正了解该 AI 工具的表现如何。
梁文华、熊珊及其合作者已与总部位于广东深圳的腾讯 AI 实验室合作，将该模型开发为肺癌患者的临床检测工具。他们最初计划将 DeepGEM 提供给无法进行基因检测的患者，例如那些无法承担费用或组织样本不足以进行准确 NGS 分析的患者。基于这些努力，他们希望纳入更多中心的更大样本量的数据，以进一步完善和提高模型的性能。