Prediction of HER2 FISH result from registered H&E and IHC slides in breast cancer
本研究は、位置合わせされたペアのH&E染色およびIHCスライドで学習させたマルチモーダル深層学習モデルがHER2 FISHの結果を正確に予測できることを示しており、これにより、疑わしい乳がん症例の約3分の1において、コストのかかるFISH検査の必要性を排除できる可能性がある。
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
乳がんは単一の疾患ではなく、腫瘍の成長や治療法を決定づける独自の分子シグナルによって駆動される、さまざまな異なる状態の集合体です。特定すべき最も重要なシグナルの一つに、HER2と呼ばれるタンプリウムがあります。このタンパク質が大量に存在すると、それはがんのアクセルとして機能し、急速な成長を引き起こします。幸いなことに、医師はこのアクセルをオフにすることができる標的療法を開発していますが、これらの治療法は、患者のがんに実際にHER2のシグナルがある場合にのみ効果を発揮します。これを知るために、病理医は顕微鏡下で組織サンプルを検査します。彼らはまず、細胞の一般的な形状を示す標準的な染色スライドを確認し、次に、HER2タンパク質自体を強調するための特殊な化学染色を用いることがよくあります。タンパク質のレベルが明らかに高いか、あるいは明らかに低い場合、診断は単純です。しかし、約7人に1人の患者が、タンパク質のレベルが曖昧なグレーゾーンに該当します。これらの患者に対しては、標準的なケアとして、光を用いて細胞内の実際の遺伝子を数える、より複雑な第3の検査が求められます。この追加の検査は高価で時間がかかり、医療資源の少ない地域では誰もが利用できるわけではありません。
イスラエル、ポルトガル、そして米国からの研究チームは、多くの患者にとってこの困難な第3のステップを回避する方法を模索しました。彼らは、何千もの顕微鏡画像で学習させたコンピュータが、標準的な組織スライドと特殊なタンパク質染色を併せて見て、複雑な遺伝子検査の結果を予測できるのではないかと考えました。これを行うために、彼らはまず物理的なパズルを解かなければなりませんでした。2枚のスライドは同じ組織片から作られていますが、異なるタイミングで切断され、異なる染色が施されているため、完全に重なり合いません。研究者たちは、一方のスライドにある特定の細胞パターンをもう一方のスライドの対応するパターンと一致させることで、これら2つの画像をデジタル的に整列させる手法を開発しました。そして、これらの整列させたペアを、膨大な視覚データを分析することで学習する一種の人工知能であるディープラーニング・システムに入力しました。システムは、複雑な検査が通常検出する遺伝子増幅をがん細胞が持っている可能性が高いかどうかを示す、組織内の微妙な視覚的手がかりを認識するように訓練されました。
約1,500人の患者のデータを分析したこの研究では、この複合的なアプローチが驚くべき精度で機能することが分かりました。研究者が、初期のタンパク質染色が曖昧であったケースに対してシステムをテストしたところ、コンピュータモデルは高い確信度で遺伝子検査の結果を予測できました。これらの困難なケースのうち、約3分の1において、モデルは予測に非常に高い自信を持ち、高価な遺伝子検査の必要性を事実上排除することができました。また、これらの曖昧なケースの約8パーセントにおいて、モデルはがんが遺伝子に対して陽性であると確信し、さらに別の21パーセントにおいては、陰性であると確信しました。これらの特定のグループにおいて、モデルの予測は非常に信頼性が高く、研究のバリデーションにおいてゴールドスタンダードの検査と完璧に一致しました。これは、多くの患者にとって、複雑な遺伝子検査をスキップしても診断の正確性を損なうことなく、検査を行える可能性があることを示唆しています。
研究者たちはまた、彼らの新しい手法を、タンパク質染色のみを用いた場合、あるいは標準的な組織スライドのみを用いた場合と比較しました。その結果、タンパク質染色単独でも優れてはいるものの、標準的な組織スライドを加えることで結果が大幅に改善されることが分かりました。標準スライドはコンテキスト（文脈）を提供し、コンピュータが特にがん領域に焦点を当て、周囲の健康な組織を無視するのを助け、それがより良い予測につながりました。この研究は、この技術がトリアージのための強力なツールになり得ることを示唆しています。つまり、どの患者が本当に高価な遺伝子検査を必要としているのか、そしてどの患者がより単純な画像だけで治療を受けられるのかを、医師が判断するのを助けることができるのです。これは、複雑な検査の入手が困難な国々において特に価値があり、より多くの患者が適切な救命治療をより早く受けられるようになる可能性があります。
しかし、著者らは、これがあらゆる状況における遺伝子検査の代替となるわけではないことに注意を促しています。モデルは依然として少数のケースで間違いを犯すことがあり、また、新しい治療法に関連して重要性が増している非常に低いレベルのタンパク質を検出するように設計されたものでもありません。研究は特定のデータセットに基づいて行われており、研究者たちは、このシステムが広く採用される前に、他の病院や異なる患者グループでテストする必要があることを認めています。また、彼らの手法は現在、コンピュータがスライドを整列させるのを助けるために、人間がスライド上のいくつかの点に印を付ける作業を必要としており、このステップは完全自動化に向けて改良が進められていることも指摘しています。それにもかかわらず、この研究は、2種類の一般的な顕微鏡画像を人工知能と組み合わせることで、以前はより複雑でコストのかかる手順が必要だと考えられていた情報を抽出できることを実証しています。
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。