An outcome-blind H&E architecture score is associated with prostate cancer-specific mortality
Questo studio introduce un punteggio dell'architettura H&E outcome-blind derivato dal deep learning che predice la mortalità specifica per il tumore alla prostata e identifica sottogruppi ad alto rischio, inclusi quelli con biopsia Gleason ≤6, catturando caratteristiche avverse come la crescita cribriforme e l'instabilità genomica che non sono completamente codificate dal consueto raggruppamento dei gradi (Grade Grouping).
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mondo della cura del cancro, i medici si affidano spesso a un sistema chiamato Gleason Grade Group per giudicare quanto sia pericoloso un tumore alla prostata. Questo sistema osserva come le cellule cancerose sono disposte al microscopio e le suddivide in categorie, dal basso rischio all'alto rischio. È lo strumento standard per decidere chi ha bisogno di un trattamento immediato e chi può stare tranquillamente in attesa di monitoraggio. Tuttavia, questo sistema presenta un punto cieco. Tratta tutti i tumori all'interno di una categoria come se fossero uguali, anche se due tumori con la stessa etichetta possono apparire molto diversi. Uno potrebbe avere una piccola area sparsa di cellule aggressive, mentre un altro potrebbe esserne pieno, o contenere forme specifiche e pericolose che l'etichetta standard non coglie. Per questo motivo, alcuni uomini a cui viene detto che il loro cancro è a basso rischio potrebbero in realtà avere una malattia nascosta e più aggressiva che potrebbe diventare fatale.
Un team di ricercatori del Cedars-Sinai Medical Center ha sviluppato un nuovo modo di osservare questi tumori che va oltre le etichette standard. Hanno creato un programma per computer che esamina l'effettiva architettura delle cellule cancerose in un campione di tessuto, senza mai guardare l'esito medico del paziente o sapere chi sia sopravvissuto e chi no. Insegnando al computer a riconoscere specifici modelli pericolosi di crescita cellulare, hanno generato un punteggio che misura il carico di questi modelli negativi. Quando hanno testato questo punteggio su migliaia di uomini che si erano sottoposti a intervento chirurgico per il cancro alla prostata, hanno scoperto che poteva prevedere chi sarebbe morto a causa della malattia decenni dopo. Fondamentalmente, il punteggio era collegato solo ai decessi per cancro alla prostata, non ad altre cause di morte, suggerendo che stia misurando qualcosa di specifico relativo al tumore stesso.
I ricercatori hanno iniziato addestrando il loro modello per computer su un insieme di immagini di biopsie dove esperti umani avevano già segnato i diversi tipi di modelli cancerosi. Hanno insegnato al sistema a identificare quattro cose specifiche: tessuto normale, un modello a basso rischio, un modello ad alto rischio e una forma particolarmente aggressiva nota come crescita cribriforme, che appare come un setaccio o un nido d'ape. Il sistema ha imparato a individuare queste caratteristiche in minuscole piastrelle dell'immagine. Una volta addestrato, i ricercatori hanno bloccato la conoscenza del computer e l'hanno applicata a due grandi gruppi di pazienti che avevano già subito la rimozione della prostata. Il primo gruppo proveniva da uno studio di screening oncologico a lungo termine, e il secondo da una collezione nazionale di dati sul cancro. I ricercatori non hanno comunicato al computer i tempi di sopravvivenza dei pazienti durante questo processo; hanno semplicemente lasciato che il computer valutasse il tessuto in base a quanta architettura pericolosa vedeva.
I risultati sono stati sorprendenti. Nello studio di screening su larga scala, che ha seguito gli uomini per una media di oltre ventidue anni, il punteggio ha separato chiaramente coloro che sarebbero morti di cancro alla prostata da coloro che non lo sarebbero stati. Per ogni incremento nel punteggio, il rischio di morire per cancro alla prostata aumentava significativamente. Gli uomini con i punteggi più alti avevano una probabilità molto maggiore di morire a causa della malattia rispetto a quelli con punteggi bassi. Importante è che il punteggio non prediceva la morte per altre cause, come malattie cardiache o altri tumori. Questa specificità suggerisce che il punteggio stia misurando realmente la minaccia del tumore alla prostata stesso, piuttosto che riflettere la fragilità generale o l'età del paziente. Anche quando i ricercatori hanno corretto il dato per il grado Gleason standard e altri fattori clinici come l'età e la dimensione del tumore, il punteggio forniva ancora informazioni preziose, identificando un rischio che il sistema standard non coglieva.
Lo studio ha anche rivelato che questo nuovo punteggio non è una semplice riproposizione del vecchio sistema di classificazione. Sebbene sia correlato al grado standard, cattura dettagli che il sistema standard ignora. Ad esempio, all'interno del gruppo di uomini a cui era stato diagnosticato un cancro a basso rischio in base alla biopsia, il punteggio ha identificato un sottogruppo con un rischio molto più elevato di morire a causa della malattia. In questo gruppo a basso rischio, coloro con i punteggi più alti avevano un rischio di morte per cancro alla prostata a vent'anni superiore al quattro per cento, mentre quelli con i punteggi più bassi avevano un rischio inferiore all'uno per cento. Questo reperto suggerisce che il computer stia rilevando caratteristiche aggressive nascoste nel tessuto che un patologo umano potrebbe trascurare quando assegna un grado standard. Il punteggio è stato inoltre in grado di scomporre il rischio nelle sue componenti, mostrando che sia la quantità di tessuto ad alto grado sia la presenza del modello cribriforme simile a un setaccio contribuivano indipendentemente al pericolo.
Per capire cosa stesse accadendo biologicamente, i ricercatori hanno esaminato l'attività genetica nei tumori. Hanno scoperto che i tumori con punteggi elevati erano guidati da geni associati alla rapida divisione cellulare e all'instabilità genetica, che sono segni distintivi di un cancro aggressivo. Il punteggio era anche robusto, il che significa che funzionava bene anche quando i ricercatori lo testavano con diversi strumenti di visione artificiale, purché tali strumenti fossero addestrati su immagini patologiche. Tuttavia, quando hanno provato a utilizzare uno strumento di visione artificiale progettato per foto generiche anziché per immagini mediche, la connessione con la sopravvivenza è scomparsa. Ciò conferma che il punteggio si basa sulla conoscenza medica specifica della struttura del tessuto, non solo sul riconoscimento di immagini generiche.
I ricercatori riconoscono che il loro lavoro è un punto di partenza. Lo studio è stato limitato dal numero di decessi nei gruppi analizzati, il che ha reso più difficile definire con assoluta certezza alcuni dei dettagli più fini. Hanno anche notato che il punteggio derivava da un singolo blocco di tessuto e che studi futuri dovranno confermare se questo metodo funziona in modo coerente su interi campioni di prostata. Nonostante queste limitazioni, lo studio dimostra che un computer può imparare a vedere le sottili e pericolose architetture del cancro alla prostata in un modo che è indipendente dal pregiudizio umano o dalla conoscenza pregressa degli esiti dei pazienti. Concentrandosi sulla forma fisica e sulla disposizione delle cellule, questo nuovo approccio offre un potenziale strumento per identificare gli uomini che sono ad un rischio più elevato di quanto suggerisca la loro diagnosi attuale, cambiando potenzialmente il modo in cui i medici decidono chi ha bisogno di trattamento e chi può essere monitorato in sicurezza.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.