Prediction of HER2 FISH result from registered H&E and IHC slides in breast cancer
Diese Studie zeigt, dass ein multimodales Deep-Learning-Modell, das auf registrierten, gepaarten H&E- und IHC-Folien trainiert wurde, HER2-FISH-Ergebnisse genau vorhersagen kann, was potenziell die Notwendigkeit kostspieliger FISH-Tests in etwa einem Drittel der äquivoken Brustkrebsfälle eliminiert.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Brustkrebs ist nicht eine einzelne Krankheit, sondern eine Sammlung verschiedener Zustände, von denen jeder durch einzigartige molekulare Signale gesteuert wird, die bestimmen, wie der Tumor wächst und wie er behandelt werden sollte. Eines der kritischsten Signale, das identifiziert werden muss, ist ein Protein namens HER2. Wenn dieses Protein in hohen Mengen vorhanden ist, wirkt es wie ein Gaspedal für den Krebs und lässt ihn schnell wachsen. Glücklicherweise haben Ärzte gezielte Therapien entwickelt, die dieses Gaspedal ausschalten können, aber diese Behandlungen wirken nur, wenn der Krebs des Patienten tatsächlich das HER2-Signal aufweist. Um dies herauszufinden, untersuchen Pathologen Gewebeproben unter einem Mikroskop. Sie betrachten zuerst einen standardmäßig gefärbten Objektträger, der die allgemeine Form der Zellen zeigt, und verwenden dann oft eine spezielle chemische Färbung, um das HER2-Protein selbst hervorzuheben. Wenn die Proteinwerte eindeutig hoch oder eindeutig niedrig sind, ist die Diagnose unkompliziert. Etwa jeder siebte Patient fällt jedoch in einen Graubereich, in dem die Proteinwerte mehrdeutig sind. Für diese Patienten erfordert der Standard der medizinischen Versorgung einen dritten, komplexeren Test, der Licht verwendet, um die tatsächlichen Gene innerhalb der Zellen zu zählen. Dieser zusätzliche Test ist teuer, zeitaufwendig und nicht für jeden verfügbar, insbesondere in Regionen mit weniger medizinischen Ressourcen.
Ein Team von Forschern aus Israel, Portugal und den USA hat einen Weg erforscht, um diesen schwierigen dritten Schritt für viele Patienten zu umgehen. Sie fragten sich, ob ein Computer, der auf Tausenden von Mikroskopiebildern trainiert wurde, den standardmäßigen Gewebeobjektträger und die spezielle Proteinfärbung zusammen betrachten könnte, um das Ergebnis des komplexen Gentests vorherzusagen. Um dies zu erreichen, mussten sie zuerst ein physisches Rätsel lösen: Die beiden Objektträger stammen aus demselben Stück Gewebe, wurden aber zu unterschiedlichen Zeiten geschnitten und unterschiedlich gefärbt, was bedeutet, dass sie nicht perfekt übereinanderliegen. Die Forscher entwickelten eine Methode, um diese beiden Bilder digital auszurichten, indem sie die spezifischen Zellmuster auf dem einen Objektträger mit den entsprechenden Mustern auf dem anderen abgleichen. Sie speisten diese ausgerichteten Paare dann in ein Deep-Learning-System ein, eine Art künstliche Intelligenz, die durch die Analyse riesiger Mengen visueller Daten lernt. Das System wurde darauf trainiert, die subtilen visuellen Hinweise im Gewebe zu erkennen, die darauf hindeuten, ob die Krebszellen wahrscheinlich die Genamplifikation aufweisen, die der komplexe Test normalerweise detektiert.
Die Studie, die Daten von fast 1.500 Patienten analysierte, ergab, dass dieser kombinierte Ansatz mit bemerkenswerter Genauigkeit funktioniert. Als die Forscher das System in Fällen testeten, in denen die anfängliche Proteinfärbung mehrdeutig war, konnte das Computermodell das Ergebnis des Gentests mit einer hohen Sicherheit vorhersagen. In etwa einem Drittel dieser schwierigen Fälle war das Modell so sicher in seiner Vorhersage, dass es die Notwendigkeit des teuren Gentests effektiv ausschließen konnte. In etwa acht Prozent dieser mehrdeutigen Fälle war sich das Modell sicher, dass der Krebs positiv für das Gen war, und in weiteren einundzwanzig Prozent war es sich sicher, dass der Krebs negativ war. In diesen spezifischen Gruppen waren die Vorhersagen des Modells so zuverlässig, dass sie den Goldstandard-Test in der Validierung der Studie perfekt matchten. Dies deutet darauf hin, dass für einen signifikanten Teil der Patienten der komplexe Gentest übersprungen werden könnte, ohne die Genauigkeit der Diagnose zu gefährden.
Die Forscher verglichen ihre neue Methode auch mit der Verwendung nur der Proteinfärbung oder nur des standardmäßigen Gewebeobjektträgers. Sie fanden heraus, dass die Proteinfärbung allein zwar gut war, das Hinzufügen des standardmäßigen Gewebeobjektträgers jedoch die Ergebnisse signifikant verbesserte. Der Standard-Objektträger lieferte den Kontext, der dem Computer half, sich spezifisch auf die Krebsbereiche zu konzentrieren und das umliegende gesunde Gewebe zu ignorieren, was zu besseren Vorhersagen führte. Die Studie legt nahe, dass diese Technologie ein leistungsstarkes Werkzeug zur Triage sein könnte, das Ärzten hilft zu entscheiden, welche Patienten den teuren Gentest wirklich benötigen und welche allein basierend auf den einfacheren Bildern behandelt werden können. Dies könnte besonders wertvoll in Ländern sein, in denen der komplexe Test schwer zu bekommen ist, und potenziell mehr Patienten ermöglichen, die richtige lebensrettende Behandlung schneller zu erhalten.
Die Autoren weisen jedoch vorsichtig darauf hin, dass dies kein Ersatz für den Gentest in jeder Situation ist. Das Modell macht immer noch in einer kleinen Anzahl von Fällen Fehler, und es wurde nicht entwickelt, um sehr niedrige Proteinwerte zu detektieren, die für neue Behandlungen relevant werden. Die Studie wurde an einem spezifischen Datensatz durchgeführt, und die Forscher räumen ein, dass das System in anderen Krankenhäusern und mit anderen Patientengruppen getestet werden muss, bevor es weit verbreitet eingesetzt werden kann. Sie weisen auch darauf hin, dass ihre Methode derzeit einen Menschen erfordert, der einige Punkte auf den Objektträgern markiert, um dem Computer beim Ausrichten zu helfen – ein Schritt, der verfeinert wird, um vollautomatisch zu werden. Trotz dieser Einschränkungen zeigt die Arbeit, dass die Kombination zweier gängiger Arten von Mikroskopiebildern mit künstlicher Intelligenz Informationen extrahieren kann, die zuvor als zu komplex und kostspielig gelteten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.