An outcome-blind H&E architecture score is associated with prostate cancer-specific mortality
Diese Studie führt einen aus ergebnisunabhängigem Deep Learning abgeleiteten, outcome-blinden H&E-Architektur-Score ein, der die prostataspezifische Mortalität vorhersagt und Hochrisikosubgruppen identifiziert, einschließlich solcher mit einem Biopsie-Gleason ≤6, indem er maligne Merkmale wie kribriformes Wachstum und genomische Instabilität erfasst, die durch die Standard-Graduierung nicht vollständig kodiert werden.
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
In der Welt der Krebsversorgung verlassen sich Ärzte oft auf ein System namens Gleason-Gradgruppen-System, um zu beurteilen, wie gefährlich ein Prostatatumor ist. Dieses System betrachtet, wie die Krebszellen unter dem Mikroskop angeordnet sind, und sortiert sie in Kategorien von geringem bis hohem Risiko ein. Es ist das Standardwerkzeug, um zu entscheiden, wer eine sofortige Behandlung benötigt und wer sicher abgewartet werden kann. Dieses System hat jedoch einen blinden Fleck. Es behandelt alle Tumore innerhalb einer Kategorie so, als wären sie identisch, obwohl zwei Tumore mit derselben Bezeichnung sehr unterschiedlich aussehen können. Der eine könnte ein kleines, verstreutes Areal aggressiver Zellen aufweisen, während der andere voll von ihnen gepackt ist oder spezifische, gefährliche Formen enthält, die das Standardlabel übersieht. Aus diesem Grund könnten einige Männer, denen gesagt wurde, ihr Krebs sei ein Niedrigrisiko-Fall, tatsächlich an einer verborgenen, aggressiveren Erkrankung leiden, die letztendlich tödlich verlaufen könnte.
Ein Forscherteam des Cedars-Sinai Medical Center hat einen neuen Weg entwickelt, diese Tumore zu betrachten, der über die Standardlabels hinausgeht. Sie entwickelten ein Computerprogramm, das die tatsächliche Architektur der Krebszellen in einer Gewebeprobe untersucht, ohne jemals das medizinische Ergebnis des Patienten zu betrachten oder zu wissen, wer überlebt hat und wer nicht. Indem sie den Computer lehrten, spezifische, gefährliche Wachstumsmuster von Zellen zu erkennen, generierten sie einen Score, der das Ausmaß dieser schlechten Muster misst. Als sie diesen Score an Tausenden von Männern testeten, die sich einer Operation wegen Prostatakrebs unterzogen hatten, fanden sie heraus, dass er vorhersagen konnte, wer Jahrzehnte später an der Krankheit sterben würde. Entscheidend war, dass der Score nur mit Todesfällen durch Prostatakrebs verknüpft war, nicht mit Todesursachen anderer Art, was darauf hindeutet, dass er etwas Spezifisches für den Tumor selbst misst.
Die Forscher begannen, indem sie ihr Computermodell auf einem Satz von Biopsiebildern trainierten, bei denen menschliche Experten bereits die verschiedenen Krebsmuster markiert hatten. Sie lehrten das System, vier spezifische Dinge zu identifizieren: normales Gewebe, ein Niedrigrisiko-Muster, ein Hochrisiko-Muster und eine besonders aggressive Form namens kribriformes Wachstum, das wie ein Sieb oder eine Honigwabe aussieht. Das System lernte, diese Merkmale in winzigen Kacheln des Bildes zu erkennen. Nach dem Training sperrten die Forscher das Wissen des Computers ein und wandten es auf zwei große Patientengruppen an, bei denen die Prostata bereits entfernt worden war. Die erste Gruppe stammte aus einer Langzeitstudie zum Krebs-Screening, und die zweite Gruppe aus einer nationalen Sammlung von Krebsdaten. Die Forscher teilten dem Computer während dieses Prozesses nicht die Überlebenszeiten der Patienten mit; sie ließen den Computer das Gewebe einfach basierend darauf bewerten, wie viel der gefährlichen Architektur er sah.
Die Ergebnisse waren beeindruckend. In der großen Screening-Studie, die Männer über einen Durchschnitt von über zweiundzwanzig Jahren nachverfolgte, trennte der Score deutlich diejenigen, die an Prostatakrebs sterben würden, von denen, die es nicht tun würden. Für jeden Schritt nach oben im Score stieg das Risiko, an Prostatakrebs zu sterben, signifikant an. Männer mit den höchsten Scores hatten eine viel höhere Wahrscheinlichkeit, an der Krankheit zu sterben, verglichen mit Männern mit niedrigen Scores. Wichtig war, dass der Score nicht Todesfälle durch andere Ursachen vorhersagte, wie etwa Herzerkrankungen oder andere Krebsarten. Diese Spezifität deutet darauf hin, dass der Score tatsächlich die Bedrohung durch den Prostatatumor selbst misst und nicht nur die allgemeine Gebrechlichkeit oder das Alter eines Patienten widerspiegelt. Selbst wenn die Forscher den Standard-Gleason-Grad und andere klinische Faktoren wie Alter und Tumorgröße berücksichtigten, lieferte der Score immer noch wertvolle Informationen und identifizierte Risiken, die das Standardsystem übersah.
Die Studie zeigte auch, dass dieser neue Score nicht bloß eine Wiederholung des alten Graduierungssystems ist. Obwohl er mit dem Standardgrad verwandt ist, erfasst er Details, die das Standardmodell ignoriert. Beispielsweise identifizierte der Score innerhalb der Gruppe von Männern, denen basierend auf ihrer Biopsie ein Niedrigrisiko-Krebs diagnostiziert worden war, eine Untergruppe mit einem wesentlich höheren langfristigen Sterberisiko an der Krankheit. In dieser Niedrigrisiko-Gruppe hatten diejenigen mit den höchsten Scores ein zwanzigjähriges Risiko für einen Tod durch Prostatakrebs von über vier Prozent, während diejenigen mit den niedrigsten Scores ein Risiko von weniger als einem Prozent hatten. Dieser Befund legt nahe, dass der Computer verborgene, aggressive Merkmale im Gewebe erkennt, die ein menschlicher Pathologe bei der Zuweisung eines Standardgrades möglicherweise übersehen würde. Der Score war auch in der Lage, das Risiko in seine Komponenten aufzuschlüsseln, wobei er zeigte, dass sowohl die Menge an hochgradigem Gewebe als auch das Vorhandensein des siebartigen kribriformen Musters unabhängig zum Gefahrenpotenzial beitrugen.
Um zu verstehen, was biologisch geschah, untersuchten die Forscher die genetische Aktivität in den Tumoren. Sie fanden heraus, dass die Tumore mit hohen Scores durch Gene angetrieben wurden, die mit schneller Zellteilung und genetischer Instabilität assoziiert sind, was Kennzeichen für aggressiven Krebs sind. Der Score war auch robust, was bedeutet, dass er gut funktionierte, selbst wenn die Forscher ihn mit verschiedenen Computer-Vision-Werkzeugen testeten, solange diese Werkzeuge auf pathologischen Bildern trainiert worden waren. Wenn sie jedoch versuchten, ein Computer-Vision-Werkzeug zu verwenden, das für allgemeine Fotos statt für medizinische Bilder konzipiert war, verschwand der Zusammenhang mit dem Überleben. Dies bestätigt, dass der Score auf spezifischem medizinischem Wissen über die Gewebestruktur beruht und nicht nur auf allgemeiner Bilderkennung.
Die Forscher räumen ein, dass ihre Arbeit ein Ausgangspunkt ist. Die Studie war durch die Anzahl der Todesfälle in den analysierten Gruppen begrenzt, was es schwieriger machte, einige der feineren Details mit absoluter Gewissheit festzulegen. Sie merkten auch an, dass der Score aus einem einzigen Gewebeblock abgeleitet wurde und zukünftige Studien bestätigen müssen, ob diese Methode konsistent über gesamte Prostataproben hinweg funktioniert. Trotz dieser Einschränkungen zeigt die Studie, dass ein Computer lernen kann, die subtile, gefährliche Architektur des Prostatakrebs auf eine Weise zu sehen, die unabhängig von menschlicher Voreingenommenheit oder Vorwissen über Patientenergebnisse ist. Durch die Konzentration auf die physische Form und Anordnung der Zellen bietet dieser neue Ansatz das Potenzial, Männer zu identifizieren, die ein höheres Risiko tragen, als ihre aktuelle Diagnose vermuten lässt, was die Entscheidung der Ärzte darüber beeinflussen könnte, wer behandelt werden muss und wer sicher beobachtet werden kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.