<font id="jvfph"><ruby id="jvfph"></ruby></font>

    <sub id="jvfph"></sub>

          <output id="jvfph"><strike id="jvfph"><p id="jvfph"></p></strike></output>

              <menuitem id="jvfph"><ruby id="jvfph"></ruby></menuitem>

              <menuitem id="jvfph"></menuitem>

                科研

                首頁 - 全部文章 - 科研 - Cancer Cell|MSI預測性能可達臨床級!基于AI 的生物標志物預測模型加速CRC活檢分析

                Cancer Cell|MSI預測性能可達臨床級!基于AI 的生物標志物預測模型加速CRC活檢分析

                結直腸癌(CRC)是全世界范圍內發病率第三的癌癥,也是我國常見的惡性腫瘤之一。近年來,中國CRC發病率和死亡率均保持上升趨勢,在全部惡性腫瘤中分別位居第2和第5位,嚴重影響和威脅著人民的身體健康。CRC的精確腫瘤學需要通過PCR、測序或免疫組織化學分析來評估遺傳生物標志物,如微衛星不穩定性(MSI)、BRAFNRAS/KRAS基因的突變,這是提供各種醫學指南建議、治療的關鍵。深度學習(DL)可以加速從CRC常規病理切片中預測預后生物標志物,但目前的方法依賴于卷積神經網絡(CNN),并且大多只在小型患者隊列中得到了驗證。

                近期,德國德累斯頓工業大學、亥姆霍茲慕尼黑環境與健康研究中心等機構的研究人員在Cancer Cell上發表了題為“Transformer-based biomarker prediction from colorectal cancer histology: A large-scale multicentric study”的文章。研究團隊開發了一種新的基于Transformer的分析框架,通過將預訓練的Transformer編碼器與用于補丁聚合的Transformer網絡相結合,從CRC常規病理切片中進行端到端的生物標志物預測。通過對來自16個隊列13,000多名結直腸癌患者組成的大規模、多中心隊列進行訓練和評估,該方法在手術切除組織樣本的MSI預測方面達到了99%的靈敏度,陰性預測值超99%。與當前最先進的算法相比,基于Transformer的方法大大提高了預測性能、通用性、數據效率和可解釋性。

                文章發表于Cancer Cell

                研究團隊通過兩種方式在CRC患者手術切除隊列中,評估了基于Transformer的框架的MSI預測性能(圖1)。首先在單個隊列上訓練模型,并在保留測試集(內部)和所有其他隊列(外部)上進行測試。結果顯示,在大型隊列中(如DACHS、QUASAR、TCGA或NLCS),該模型AUC為0.95左右;該方法性能上述四個隊列中均優于基于CNN的方法。此外,在早期發病CRC中,該方法也實現了接近0.9的AUC。

                接下來,研究團隊在除YCR-BCIP外的所有CRC切除隊列上訓練了模型,并在外部驗證隊列YCR-BCI上對其進行了評估。結果顯示,模型靈敏度為0.99,陰性預測值超0.99。具有不同臨床病理特征的患者ROC分析表明,該模型在所有亞組中表現良好。0.86的高平均AUPRC分數表明,盡管隊列中部分MSI樣本存在嚴重的類別不平衡,但基于Transformer的模型仍實現了高靈敏度和高精度。

                為更好地與最先進的技術進行比較,研究團隊使用相同的特征提取器CTransPath在上述四個大型隊列上訓練了AttentionMIL和完全基于Transformer的模型?;贑NN的方法實現了0.96的AUC,AttentionMIL為0.96,而完全基于Transformer的方法表現略好,AUC為0.97。上述結果表明,完全基于Transformer的方法在大隊列和小隊列上都能產生較高的生物標志物預測性能。從臨床角度來看,基于Transformer的方法具有更好的泛化性能,能夠產生更可靠的結果。

                圖1. 工作流程概述。來源:Cancer Cell

                研究團隊探究了完全基于Transformer的模型在其他生物標志物預測任務中的性能,如BRAFKRAS。按照MSI預測的實驗設置,研究團隊首先在單個隊列上對模型進行了訓練,并在外部隊列上進行了評估,然后在一個完全合并的多中心隊列上對模型進行了訓練。結果顯示,模型在大隊列中(DACHS和NLCS)表現較好,AUC分別為0.88和0.87;在較小隊列中性能略差,AUC為0.83-0.85,但遠遠優于先前方法。此外,大型多中心隊列中,該模型的AUC為0.88,幾乎達到臨床級表現。

                KRAS作為研究目標時,研究團隊觀察到了類似的泛化結果,在多中心隊列上訓練時,模型AUC為0.80,優于最新方法;單隊列訓練的AUC為0.53-0.77,與最新數據一致或更高。上述結果表明,基于Transformer的模型可以預測與CRC常規診斷相關的多種生物標志物。

                圖2.?評估生物標志物MSI、BRAFKRAS在單個隊列和大規模多中心實驗中的性能。來源:Cancer Cell

                在先前研究中,幾乎所關于CRC中生物標志物的預測分析都是通手術切除切片進行的,因此,商業上可用的MSI檢測算法僅用于切除切片。但最近的臨床研究表明,MSI陽性的CRC患者需要在手術前進行免疫治療,這就導致需要在活檢材料上進行MSI檢測。為解決上述難題,研究團隊使用YCR-BCIP以外的所有隊列的手術切除樣本訓練了模型,并對來自1,592名YCIP-BCIP結直腸癌患者的活檢組織進行了評估(圖3)。

                當對兩個外部隊列(YCR-BCIP和MAINZ)的活檢中分別進行驗證時,基于Transformer的模型的平均AUC評分分別為0.92和0.86。值得注意的是,MAINZ活檢隊列的MSI-high比率高于訓練隊列。該方法表現優于現有方法,并在對切除標本的模型訓練后,在活檢中取得了臨床級的性能。當選擇具有高靈敏度的分類閾值時,與切除樣本相比,活檢中所有陽性預測病例中,正確MSI陽性預測病例的比率較低。

                在切除樣本的內部測試集上固定分類閾值時,基于Transformer的模型分別獲得0.98和0.91的敏感得分,這些值高于或接近臨床批準的用于切除樣本的DL算法,這表明該算法能夠用于臨床活檢。

                圖3. 基于Transformer的模型可實現活檢的臨床級性能。來源:Cancer Cell

                研究團隊對基于Transformer的模型的預期臨床用途如下(圖4):首先,患者前往疑似CRC或進行常規CRC的診所篩查,結腸鏡檢查顯示可疑腫瘤,經組織學評估發現為腺癌。隨后,通過基于Transformer的模型進行活檢,以檢測MSI/MMR狀態和BRAF/RAS突變狀態。最后,根據MSI、BRAFKRAS狀態,為患者選擇最合適的治療方法。

                同樣,在轉移性疾病中,活檢組織中存在MSI將使患者有資格接受姑息性免疫治療。由于對活檢組織的敏感性很高,基于Transformer的AI算法模型可作為一種預篩查工具,隨后再進行肯定測試。綜上,應用基于AI的生物標志物預測可以降低檢測負擔,加快活檢和分子測定MSI-high狀態之間的步驟,從而使患者能夠在適合的情況下更早接受免疫治療。

                圖4. 預期的MSI高分級器活檢的臨床工作流程。來源:Cancer Cell

                綜上所述,該研究提出了一個完全基于Transformer的模型來預測CRC的MSI,可加快組織樣本的分析,從而更快地做出治療決策,提供了與CRC患者活檢臨床測試相當的結果。在外部驗證隊列中,該模型在切除樣本中的AUC為0.97,活檢組織中的AUC為0.92和0.86。與現有的最先進的MIL或CNN方法相比,該方法具有更好的泛化能力和數據效率。

                參考文獻:
                Wagner SJ, Reisenbüchler D, West NP, et al. Transformer-based biomarker prediction from colorectal cancer histology: A large-scale multicentric study.Cancer Cell. 2023;41(9):1650-1661.e4. doi:10.1016/j.ccell.2023.08.002
                (0)

                本文由 SEQ.CN 作者:戴勝 發表,轉載請注明來源!

                熱評文章

                好涨太粗进去用力快好深视频_试衣间和老师疯狂试爱_巨大巨粗巨长 黑人长吊_妇女满足农民工特级毛片

                  <font id="jvfph"><ruby id="jvfph"></ruby></font>

                  <sub id="jvfph"></sub>

                        <output id="jvfph"><strike id="jvfph"><p id="jvfph"></p></strike></output>

                            <menuitem id="jvfph"><ruby id="jvfph"></ruby></menuitem>

                            <menuitem id="jvfph"></menuitem>