《美国病理学杂志》上的一项研究详细描述了一种有前景的方法，用于分类胰腺导管腺癌（PDAC）亚型，使诊断和分型更快、更易获得，从而通过及时的个性化治疗改善患者预后。该研究由爱思唯尔出版，展示了利用深度学习模型对胰腺导管腺癌（最常见的胰腺癌形式）进行分子亚型分类的方法。这种方法具有高准确性，提供了一种快速且成本效益高的替代方法，而当前方法依赖于昂贵的分子检测。这项新研究有望推动个性化治疗策略的发展，改善患者预后。
胰腺导管腺癌（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%。大约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死亡。
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、温哥华综合医院和BC胰腺中心的研究员解释说：“越来越多的潜在可操作亚型被发现，可以为胰腺癌患者个性化治疗。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PDAC肿瘤由于器官解剖位置的困难，通常无法提供足够的组织。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，以低成本和快速的方式分类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，使用全切片病理图像来识别PDAC的分子亚型——基底样型和经典型——使用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，病理实验室常规用于诊断和预后评估，具有快速的周转时间。这些模型在来自癌症基因组图谱（TCGA）的97张切片上进行了训练，并在来自44名患者的110张本地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型的准确率为96.19%，在本地队列中为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研究员指出：“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，用于筛选患者进行分子检测。此外，本研究的主要成就在于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。”
巴沙什蒂博士总结道：“这种基于AI的方法在胰腺癌诊断中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。”
注释：
该文章题为“基于全切片病理图像的胰腺导管腺癌分子亚型深度学习识别方法”，由Pouya Ahmadvand、Hossein Farahani、David Farnell、Amirali Darbandsari、James Topham、Joanna Karasinska、Jessica Nelson、Julia Naso、Steven J.M. Jones、Daniel Renouf、David F. Schaeffer和Ali Bashashati撰写，DOI：10.1016/j.ajpath.2024.08.006。该文章发表在2024年12月的《美国病理学杂志》第194卷第12期，由爱思唯尔出版。该文章可在 免费获取。
该研究得到了加拿大卫生研究院（项目编号418734）、加拿大自然科学与工程研究委员会（项目编号RGPIN-2019-04896）、迈克尔·史密斯健康研究基金会、BC癌症基金会和温哥华综合医院及不列颠哥伦比亚大学医院基金会的支持。
(全文结束)
