费城，2024年12月12日 —— 研究人员成功开发了一种深度学习模型，该模型可以通过组织病理学图像将最常见的胰腺癌——胰腺导管腺癌（PDAC）分类为分子亚型。这种方法具有高准确性，且比现有的基于昂贵分子检测的方法更快、更经济。这项新研究发表在《美国病理学杂志》上，由爱思唯尔出版，有望推进个性化治疗策略并改善患者预后。
PDAC最近已超过乳腺癌，成为加拿大和美国癌症死亡的第三大原因。如果早期发现，手术可以治愈大约五分之一的PDAC病例。尽管这些患者接受了手术干预，但五年生存率仍仅为20%。约80%的患者在诊断时已经发展为转移性疾病，大多数患者在一年内因疾病而去世。
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。疾病的快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，当前分子谱型的周转时间从活检到结果出炉需要19到52天，无法满足这些时间敏感的需求。
共同首席研究员大卫·斯凯弗博士（David Schaeffer, MD），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胰腺中心的成员解释说：“越来越多可能采取行动的亚型被发现，以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。如果组织足够，这种基因组方法非常出色，但对于PDAC肿瘤来说并不总是如此，因为这个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，这可能会导致该疾病的更有效临床管理。”
该研究涉及训练深度学习AI模型，通过全切片病理图像识别PDAC的分子亚型——基底样型和经典型，使用苏木精和伊红（H&E）染色切片。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用于诊断和预后，具有快速的周转时间。模型在来自癌症基因组图谱（TCGA）的97张切片上进行训练，并在来自本地队列的44名患者的110张切片上进行测试。表现最佳的模型在TCGA数据集中识别经典型和基底型的准确率达到96.19%，在本地队列中达到83.03%，显示出其在不同数据集上的稳健性。
共同首席研究员阿里·巴沙什蒂博士（Ali Bashashati, PhD），不列颠哥伦比亚大学生物医学工程学院和病理学及实验室医学系的成员指出：“该模型的灵敏度和特异性分别为85%和100%，使其成为用于分子检测分诊的高度适用工具。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，使其成为一种高度有用的工具，可以在诊断时部署。”
巴沙什蒂博士总结道：“这种基于AI的方法为胰腺癌诊断提供了令人兴奋的进步，使我们能够快速且经济高效地识别关键分子亚型。”
(全文结束)
