研究人员成功开发了一种深度学习模型，该模型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，并且提供了一种快速、经济有效的替代方法，以替代目前依赖昂贵分子检测的方法。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。
近年来，PDAC已经超过乳腺癌成为加拿大和美国癌症死亡率的第三大原因。如果在早期发现，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，其中大多数患者在一年内因疾病而死亡。
PDAC的高度侵袭性在使用测序技术确定患者护理计划时提出了巨大挑战。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，当前分子谱型的周转时间从活检之日起为19到52天，无法满足这些时间敏感的需求。
共同主要研究者大卫·斯凯弗博士（David Schaeffer, MD），来自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，解释道：“越来越多的潜在可操作亚型被发现，可用于个性化胰腺癌患者的治疗。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。”
“如果存在足够的组织，这种基因组方法是非常出色的，但对于PDAC肿瘤来说，由于该器官解剖位置的困难，这并不总是可能的。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-伊红染色切片快速、经济有效地分类PDAC分子亚型，有望更有效地管理这种疾病。”
该研究涉及训练深度学习AI模型，以使用苏木精-伊红（H&E）染色切片识别PDAC的分子亚型——基底样型和经典型。H&E染色是一种成本低廉且广泛可用的技术，通常在病理实验室中用于诊断和预后，且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亚型的准确率为96.19%，在本地队列中的准确率为83.03%，突显了其在不同数据集上的稳健性。
共同主要研究者阿里·巴沙什提博士（Ali Bashashati, PhD），来自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，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，用于筛选接受分子检测的患者。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。”
巴沙什提博士总结道：“这种基于AI的方法在胰腺癌诊断方面提供了令人兴奋的进展，使我们能够快速、经济有效地识别关键分子亚型。”
来源：
爱思唯尔
期刊参考：
Ahmadvand, P., et al. (2024). 基于全切片病理图像的深度学习方法识别胰腺导管腺癌的分子亚型。《美国病理学杂志》。doi.org/10.1016/j.ajpath.2024.08.006.
(全文结束)
