Das Eagle -Modell prognostiziert wichtige Lungenkrebsmutationen aus der routinemäßigen Biopsie

Ein neues KI -Tool liest Lungenkrebsbiopsie -Folien in einer Stunde, die Mutationen genau voraussagen und Patienten Verzögerungen, Kosten und Gewebeverlust sparen, wobei ein Wendepunkt in der Präzisionskrebsversorgung kennzeichnet.

Studie: Einsatz eines fein abgestimmten Pathologie-Stiftungsmodells für die Erkennung von Biomarkern für Lungenkrebs. Bildnachweis: Kateryna Kon/Shutterstock.com

Eine aktuelle Naturmedizin Die Studie stellte einen großen internationalen klinischen Datensatz von Diagramme für digitale Lungenadenokarzinom (LUAD) zusammen, um die Entwicklung eines Biomarkers des rechnerischen epidermalen Wachstumsfaktorrezeptors (EGFR) zu erleichtern.

Tests auf EGFR -Mutationen beim Lungenadenokarzinom

Luad ist die häufigste Form von Lungenkrebs, wobei EGFR die häufigste somatische Mutation in Kinase -Genen ist. Genaue EGFR-Tests sind von entscheidender Bedeutung, um sicherzustellen, dass die Patienten die richtige Erst-Line-Therapie erhalten. EGFR-Tests werden für Patienten mit Luad im fortgeschrittenen Stadium durchgeführt. Andernfalls ist molekulare Tests bei Lungenkrebs die Standarduntersuchungslinie. EGFR -Tests liegen signifikant unter der durch klar veröffentlichten Richtlinien festgelegten Ebene. Es kann viele Gründe geben, einschließlich technischer Hürden bei der Erlangung und Verarbeitung von Proben für das Testen und unzureichendes Material von diagnostischen Biopsien.

Computermethoden zum Nachweis von EGFR -Mutationen können den klinischen Workflow für diagnostische Biopsien von Lungenkrebs signifikant verbessern. Nur die digitalisierten Pathologie -Objektträger aus der diagnostischen Hämatoxylin- und Eosin (H & E) -Biopsie würden als Substrat verwendet, wodurch das Ergebnis ohne physikalische Verarbeitung und geringe Kosten angegeben werden kann. Die sofortige Produktion von Ergebnissen sollte auch alle anderen nachgeschalteten Entscheidungen ermöglichen.

Über die Studie

Diese Studie entwickelte die Eagle (EGFR AI Genomic Lung Evaluation) und zeigte seine klinische Nützlichkeit als H & E-basierten Computerbiomarker. Ziel war es, den molekularen Standard -Workflow durch die Verwendung der diagnostischen Biopsien von Luad -Patienten zu verbessern, um den EGFR -Mutationsstatus vorherzusagen. Im Gegensatz zum traditionellen Workflow schließt das AI-unterstützte Screening häufig schnelle Tests aus. Dies geschah, während die Gesamtleistung der hohen Screening -Leistung beibehalten wurde. Die Sequenzierung der nächsten Generation (NGS)- Tests waren noch für Proben erforderlich, die positiv gescreent wurden.

Ein großer internationaler klinischer Datensatz digitaler Lungenadenokarzinoms (LUAD) wurde zusammengestellt, um den Algorithmus im Einklang mit der breiten biologischen und technischen Variabilität auszubilden, die von der realen klinischen Bereitstellung erwartet wird. Insgesamt 5.174 Folien aus dem Memorial Sloan Kettering Cancer Center (MSKCC) wurden verwendet, um ein hochmodernes Pathology Foundation-Modell zu optimieren. Die Modellvalidierung wurde unter Verwendung von 1.742 internen Folien von MSKCC und externen Testkohorten durchgeführt, um Robustheit zu gewährleisten.

Dazu gehörten Institutionen in den USA und in Europa und umfassten mehrere Dia -Scanner, die die Generalisierbarkeit des Modells über Institutionen und mehrere Scanner hinweg nachweisen. Ein stiller Versuch wurde durchgeführt, indem Eagle in Echtzeit eingesetzt wurde, um seine Leistung in einer realen Umgebung zu simulieren.

Studienergebnisse

Eagle trat in neuartigen Fällen auf dem erwarteten Niveau durch und wurde für die klinische Umsetzung als geeignet angesehen. Die Ergebnisse des EGFR -schnellen Tests wurden mit den Ergebnissen des Idylla -Tests verglichen. Idylla zeigte einen positiven Vorhersagewert (PPV) von 0,988, eine Empfindlichkeit von 0,918, eine Spezifität von 0,993 und einen negativen Vorhersagewert (NPV) von 0,954 im analysierten Zeitraum. Das Modell erreichte einen Bereich unter dem Kurvenwert (AUC) von 0,847. Die Leistung war in metastatischen Proben (AUC 0,75) im Vergleich zu Primärproben (AUC 0,90) weniger genau.

Unter Verwendung der Gewebemenge als Proxy für die Tumormenge wurde die Oberfläche basierend auf den für die Modellinferenz verwendeten Kacheln berechnet. Es wurde ein allgemeiner Trend festgestellt, bei dem die Modellleistung mit zunehmendem Bereich des analysierten Gewebes verbessert wurde. Weitere Tests zeigten, dass das Modell in der Lage war, alle klinisch relevanten EGFR -Mutationen nachzuweisen, wodurch die Robustheit von Adler über Varianten hinweg hervorgehoben wurde. Die Leistung des Modells in externen Kohorten stimmte ebenfalls mit der internen Validierung überein und zeigte einen AUC von 0,870.

Bei MSKCC wurde ein stiller Versuch durchgeführt, um die reale Anwendbarkeit zu testen. Wie im vorherigen Fall war die Modellleistung bei metastatischen Proben (AUC 0,760) im Vergleich zu Primärproben (AUC 0,896) niedriger. Lymphknoten (AUC 0,74) und Knochen (AUC 0,71) zeigten sich besonders schlecht. Die Gesamt -AUC war mit früheren Ergebnissen bei 0,853 vergleichbar. Diese Ergebnisse stützten den Einsatz von Eagle für Primärproben weiter. Der AISISTED-Workflow für künstliche Intelligenz (AI) könnte dazu führen, dass eine geringere Anzahl von Proben schnell getestet wird, basierend auf der Ausgabe von Eagle.

In der Studie wurden drei Schwellenstrategien untersucht, um festzustellen, wie viele schnelle Tests verschont bleiben konnten und gleichzeitig die Leistung mit herkömmlichen Workflows vergleichbar beibehalten. Abhängig von der gewählten Schwelle reduzierte der AI-unterstützte Workflow die schnellen Tests um 18% auf 43% und bewahrte gleichzeitig hohe NPV- und PPV-Werte.
Die Turnaround -Zeit für Eagle war ebenfalls ein wesentlicher Vorteil und lieferte Ergebnisse in einem Median von nur 44 Minuten, wesentlich schneller als die für schnellen Tests benötigten mindestens 48 Stunden und mehrere Wochen für NGs.

Die reale stille Versuch war wichtig, da sie den Forschern half, zu verstehen, wie das neu entwickelte Protokoll durchgeführt wurde, einschließlich möglicher Quellen falsch negativer und falsch positiver Ergebnisse. Durch die Untersuchung von Aufmerksamkeitshitzemaps, die auf Gewebefolien überlagert wurden, stellte das Team fest, dass falsch positive Positives häufig biologisch verwandte Mutationen wie ErbB2 -Insertionen oder Erträgen von Exon 14 -Überspringen von Ereignissen umfassten. Falsche Negative traten in Proben mit minimaler Tumorarchitektur an, wie z. B. Zytologie-Proben oder bluthastige Biopsien.

Es wurde angenommen, dass die Fehlerrate signifikant gesenkt werden kann, wenn Pathologen die Ergebnisse manuell interpretieren. Der Adler soll nicht die NGS -Sequenzierung ersetzen, sondern nur ein Screening -Test. Eagle soll wahrscheinliche positive Fälle identifizieren und effizient EGFR -Mutationen ausschließen. Da Eagle nicht zwischen EGFR -Subtypen unterscheidet, die unterschiedliche gezielte Therapien erfordern, ist die Bestätigung der NGS vor der Behandlung noch vor der Behandlung erforderlich.

Schlussfolgerungen

Diese Studie präsentierte ein validiertes rechnerisches Pathologiemodell zum Nachweis der EGFR -Mutation in Luad. Das Modell kann den Gewebeverbrauch verringern, die diagnostische Effizienz verbessern und die Einführung der KI in der klinischen Praxis beschleunigen. Eagle erzielte seine Leistung, indem er ein fundamentbasiertes Fundamentmodell auf Vision-Transformator basierte und eine Verschiebung zu verallgemeinerbaren KI-Tools in der Pathologie hervorhob. Zukünftige Forschungen sollten zusätzliche Biomarker in Betracht ziehen und sie in einer prospektiven klinischen Studie untersuchen.

Laden Sie jetzt Ihre PDF -Kopie herunter!

Quellen: