Predicting EGFR-TKI resistance in EGFR-mutant lung adenocarcinoma from H&E histopathology with weakly supervised multiple-instance learning
本研究は、通常のH&E染色全スライド画像を用いたゲート付きアテンション・マルチインスタンス学習による軽量な弱教師あり深層学習フレームワークが、特定の核の特徴を特徴としTP53共変異に関連する潜在的な形態学的リスク表現型を特定することによって、EGFR変異陽性肺腺癌におけるEGFR-TKI耐性を正確に予測できることを示している。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
肺がんとの闘いにおいて、医師は腫瘍細胞内の特定の遺伝子エラーを標的にするために、チロシンキナーゼ阻害薬と呼ばれる一連の薬剤に頼ることがよくあります。これらの薬は、EGFRとして知られる遺伝子に変異を持つ大規模な患者グループに対しては驚くほど効果を発揮しますが、万能薬というわけではありません。時間の経過とともに、ほぼすべての患者において、がんは治療に対して抵抗力を獲得し、病状が再発します。現在、患者がこれらの薬に反応するか、あるいは耐性を発達させるかを判断するには、新しい組織サンプルを採取したり血液を採取したりする侵襲的な処置や、高価な遺伝子検査が必要となります。たとえそれを行ったとしても、これらの手法では、腫瘍の複雑で変化し続ける性質を見逃してしまう可能性があります。ここには決定的な空白、すなわち、新たな生検を必要とせず、病院ですでに標準となっているツールを用いて、治療の成功を早期に予測する方法へのニーズが存在しています。
研究者たちは、1世紀以上にわたって病理学者が観察してきた、染色された組織サンプルである、つつましい顕微鏡スライドに目を向けました。ピンクや紫の染料で染められたこれらのスライドは、腫瘍の構造を明らかにします。人間の目では明らかな疾患の兆候を見つけることができますが、薬に抵抗するかどうかを知らせる微妙なパターンは、あまりにも微かなため、目に見えないことがよくあります。中国の河北医科大学およびその提携病院の科学者チームは、これらの隠れた信号を読み取るための新しい方法を開発しました。彼らは、組織スライドのデジタル画像全体を観察し、治療に反応する腫瘍とそうでない腫瘍を区別する微細な手がかりを見つけ出すように学習するコンピュータシステムを作成しました。
チームは、特定のタイプの肺がんである肺腺がんを持ち、全員がEGFR変異を有しており、治療を開始しようとしている100人の患者に焦点を当てました。彼らは、患者が治療を開始する前に採取された標準的な組織スライドを収集しました。コンピュータに一つ一つの細胞の周囲に線を引いて教えるという、非常に時間がかかり困難な作業を医師に依頼する代わりに、彼らは「弱教師あり学習（weakly supervised learning）」と呼ばれる手法を用いました。このアプローチでは、コンピュータにはスライド全体が示され、「患者は薬に反応したか、あるいは病状が進行したか」という最終的な結果のみが伝えられます。すると、コンピュータはどの画像の微細な部分がその結果に責任を持っているのかを、自力で見つけ出します。コンピュータは巨大なスライドを数千の扱いやすい小さな断片に分解し、各断片の特徴を分析し、最終的な予測を行うために最も重要な要素にどのように重み付けすべきかを学習します。
構築されたコンピュータモデルは、非常に高い効果を発揮しました。テストの結果、治療結果を約89パーセントの確率で正しく予測し、これは研究者が試みた他の一般的な手法を上回る精度でした。このシステムは単に推測したのではなく、組織の最も重要な特定の領域に焦点を当てることを学習しました。コンピュータがどこに注目したかを見ることで、研究者たちは、モデルが抵抗性を示す腫瘍において明確な生物学的シグネチャーを特定していることを発見しました。これらの腫瘍は、細胞レベルでの混沌の兆候を示していました。細胞はより密集し、形状はより不規則になり、細胞の制御センターである核は、治療によく反応する腫瘍よりも大きく、無秩序になっていたのです。
具体的には、抵抗性グループの核の平均面積は78.3平方マイクロメートルであったのに対し、感受性グループでは62.7平方マイクロメートルでした。核のサイズと細胞の残りの部分との比率も抵抗性ケースの方が高く、核内部の遺伝物質のテクスチャもより混沌としていました。この無秩序さはランダムなものではありません。それは、より深い遺伝的不安定性と結びついています。研究によると、これらの混沌としたパターンを示す患者は、細胞の損傷を修復するのを助けることで知られるTP53という遺伝子の二次変異を持つ可能性が非常に高いことがわかりました。コンピュータによって抵抗性と予測されたグループでは、62.5パーセントがこのTP53変異を持っていましたが、良好に反応すると予測されたグループでは38.3パーセントでした。このことは、コンピュータが単にランダムなノイズを見ているのではなく、遺伝的に不安定で、したがって制御が困難な腫瘍の物理的な足跡を実際に検出していることを示唆しています。
研究者たちはまた、この方法が患者が持つ特定のEGFR変異の種類によって異なる働きをするかどうかについてもテストを行いました。コンピュータは、ある一般的な変異タイプを持つ患者に対しては、90パーセントの的中率で、もう一方のタイプにおける87パーセントと比較して、わずかに優れた性能を示しました。この違いは、腫瘍の物理的構造が、それを駆動する遺伝的エラーに応じてわずかに異なる可能性を示唆していますが、全体的なアプローチは一貫して堅牢でした。このシステムは、標準的なデジタル顕微鏡ス Scanner とコンピュータ以外の特別な機器を必要とせずにこれらの結果を達成したため、高度な遺伝子検査能力を持たない病院にとっても利用可能なツールとなる可能性があります。
有望な結果ではありますが、研究者たちはこれが予備的な段階であることを慎重に指摘しています。この研究は、2つの病院からの比較的少数の患者グループを対象に行われたものであり、モデルはまだ他の機関の全く異なる患者セットではテストされていません。コンピュータは未来を見通す水晶玉ではなく、組織スライドの視覚的な混沌と薬物耐性の臨床的な現実を結びつけることを学習した、洗練されたパターン認識器です。それは古いデータに対する新しい見方を提供しており、がん治療における最も困難な問いへの答えのいくつかは、すでに病理ラボのアーカイブの中に、機械が何を探すべきかを知った上で読み解かれるのを待っている状態にあることを示唆しています。将来の研究でこれらの知見が確認されれば、このアプローチは、どの患者により積極的なモニタリングや代替治療が必要かを医師がより早期に決定するのに役立ち、他の患者には効果のない治療を避けさせ、病気を管理するより良いチャンスを与えることができるでしょう。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。