Narzędzie AI analizuje obrazy biopsyjne.
Aby określić rodzaj i stopień zaawansowania nowotworu, patolodzy zazwyczaj badają pod mikroskopem cienkie wycinki biopsji guza. Jednakże identyfikacja zmian genomicznych powodujących wzrost guza – informacja kluczowa dla ukierunkowania leczenia – wymaga sekwencjonowania genetycznego RNA wyizolowany z guza. Proces ten może zająć tygodnie i kosztować tysiące dolarów.
Teraz badacze ze Stanford Medicine opracowali program obliczeniowy oparty na sztucznej inteligencji, który może przewidzieć aktywność tysięcy genów w komórkach nowotworowych wyłącznie na podstawie standardowych obrazów biopsji z mikroskopu. Narzędzie, niedawno opublikowane w Komunikacja przyrodniczautworzono na podstawie danych z ponad 7000 różnych próbek nowotworów. Zespół wykazał, że może wykorzystać rutynowo zbierane obrazy biopsyjne do przewidywania zmian genetycznych w przypadku raka piersi i przewidywania wyników leczenia pacjentów.
„Tego rodzaju oprogramowanie można wykorzystać do szybkiej identyfikacji sygnatur genów w nowotworach pacjentów, przyspieszając podejmowanie decyzji klinicznych i oszczędzając systemowi opieki zdrowotnej tysiące dolarów” – powiedział dr Olivier Gevaert, profesor nauk o danych biomedycznych i starszy specjalista ds. autor artykułu.
Pracami kierowała także absolwentka Uniwersytetu Stanforda, Marija Pizuria oraz doktoranci Yuanning Zheng i dr Francisco Perez.
Kierowane genomiką
Lekarze w coraz większym stopniu kierują się wyborem metod leczenia nowotworu – w tym chemioterapii, immunoterapii i terapii hormonalnych – zalecanymi swoim pacjentom nie tylko na podstawie tego, na jaki narząd wpływa nowotwór, ale także na to, jakie geny wykorzystuje nowotwór do napędzania swojego wzrostu i rozpowszechnianie się. Włączenie lub wyłączenie pewnych genów może sprawić, że guz będzie bardziej agresywny, będzie bardziej podatny na przerzuty lub będzie mniej lub bardziej podatny na reakcję na określone leki.
Jednak dostęp do tych informacji często wymaga kosztownego i czasochłonnego sekwencjonowania genomu.
Gevaert i jego współpracownicy wiedzieli, że aktywność genów w poszczególnych komórkach może zmieniać ich wygląd w sposób często niezauważalny dla ludzkiego oka. Zwrócili się do sztuczna inteligencja znaleźć te wzory.
Naukowcy rozpoczęli od 7584 biopsji nowotworów z 16 różnych typów nowotworów. Każdą biopsję pocięto na cienkie skrawki i przygotowano przy użyciu metody znanej jako barwienie hematoksyliną i eozyną, która jest standardem w wizualizacji ogólnego wyglądu komórek nowotworowych. Dostępne były również informacje na temat transkryptomów nowotworów – genów aktywnie wykorzystywanych przez komórki.
Działający model
Po tym, jak badacze zintegrowali nowe biopsje nowotworu oraz inne zbiory danych, w tym dane transkryptomiczne i obrazy tysięcy zdrowych komórek, program sztucznej inteligencji – nazwany SEQUOIA (kwantyfikacja ekspresji na podstawie slajdów przy użyciu linearyzowanej uwagi) – był w stanie przewidzieć ekspresję wzory ponad 15 000 różnych genów z poplamionych obrazów. W przypadku niektórych typów nowotworów aktywność genów przewidywana przez sztuczną inteligencję wykazywała ponad 80% korelację z rzeczywistymi danymi dotyczącymi aktywności genów. Ogólnie rzecz biorąc, im więcej próbek dowolnego typu nowotworu uwzględniono w danych początkowych, tym lepiej działał model dla tego typu nowotworu.
„Zanim osiągnęliśmy poziom, w którym byliśmy zadowoleni z wydajności, potrzeba było kilku iteracji modelu” – powiedział Gevaert. „Ale ostatecznie w przypadku niektórych typów nowotworów osiągnięto poziom, który może być przydatny w klinice”.
Gevaert zwrócił uwagę, że podejmując decyzje kliniczne, lekarze często nie patrzą na pojedyncze geny, ale na sygnatury genów, które obejmują setki różnych genów. Na przykład wiele komórek nowotworowych aktywuje te same grupy setek genów związanych ze stanem zapalnym lub setki genów związanych ze wzrostem komórek. W porównaniu ze swoimi wynikami w przewidywaniu indywidualnej ekspresji genów, projekt SEQUOIA okazał się jeszcze dokładniejszy w przewidywaniu, czy aktywowano tak duże programy genomiczne.
Aby dane były dostępne i łatwe do interpretacji, badacze zaprogramowali SEQUOIA tak, aby wyświetlała wyniki genetyczne w postaci wizualnej mapy biopsji guza, umożliwiając naukowcom i klinicystom sprawdzenie, jak różnice genetyczne mogą różnić się w różnych obszarach guza.
Przewidywanie wyników pacjentów
Aby przetestować użyteczność SEQUOIA w podejmowaniu decyzji klinicznych, Gevaert i jego współpracownicy zidentyfikowali geny raka piersi, których ekspresję za pomocą modelu można dokładnie przewidzieć i które są już wykorzystywane w komercyjnych testach genomicznych raka piersi. (Na przykład zatwierdzony przez Food and Drug Administration test MammaPrint analizuje poziom 70 genów związanych z rakiem piersi, aby zapewnić pacjentom ocenę ryzyka nawrotu raka).
„Rak piersi ma wiele bardzo dobrze zbadanych sygnatur genów, które, jak wykazano w ciągu ostatniej dekady, są silnie powiązane z odpowiedzią na leczenie i wynikami pacjentów” – stwierdził Gevaert. „Dzięki temu był to idealny przypadek testowy dla naszego modelu”.
Zespół wykazał, że SEQUOIA może zapewnić ten sam rodzaj oceny ryzyka genomowego co MammaPrint, wykorzystując wyłącznie barwione obrazy biopsji guza. Wyniki powtórzono w wielu różnych grupach pacjentów z rakiem piersi. W każdym przypadku pacjenci zidentyfikowani przez SEQUOIA jako osoby wysokiego ryzyka mieli gorsze wyniki, z wyższym odsetkiem nawrotów raka i krótszym czasem przed nawrotem nowotworu.
Modelu sztucznej inteligencji nie można jeszcze zastosować w warunkach klinicznych – musi zostać przetestowany w badaniach klinicznych i zatwierdzony przez FDA, zanim zostanie wykorzystany do podejmowania decyzji dotyczących leczenia – ale Gevaert powiedział, że jego zespół udoskonala algorytm i bada jego potencjalne zastosowania . Stwierdził, że projekt SEQUOIA może w przyszłości zmniejszyć potrzebę wykonywania kosztownych testów na ekspresję genów.
„Pokazaliśmy, jak przydatne może to być w przypadku raka piersi, a teraz możemy zastosować je w przypadku wszystkich nowotworów i przyjrzeć się dowolnej występującej sygnaturze genów” – powiedział. „To zupełnie nowe źródło danych, którego wcześniej nie mieliśmy”.
Odniesienie: „Cyfrowe profilowanie ekspresji genów na podstawie obrazów histologicznych z linearyzowaną uwagą”: Marija Pizurica, Yuanning Zheng, Francisco Carrillo-Perez, Humaira Noor, Wei Yao, Christian Wohlfart, Antoaneta Vladimirova, Kathleen Marchal i Olivier Gevaert, 14 listopada 2024 r., Komunikacja przyrodnicza.
DOI: 10.1038/s41467-024-54182-5
Finansowanie badań zapewnił Narodowy Instytut Raka (grant R01 CA260271), stypendium Belgijsko-Amerykańskiej Fundacji Edukacyjnej, grant Fonds Wetenschappelijk Onderzoek-Vlaanderen, Hiszpańska Komisja Fulbrighta i Uniwersytet w Gandawie.
