Prediction of HER2 FISH result from registered H&E and IHC slides in breast cancer
Deze studie toont aan dat een multimodale deep learning-modellen getraind op geregistreerde gepaarde H&E- en IHC-coupes accuraat de HER2 FISH-resultaten kan voorspellen, wat potentieel de noodzaak voor kostbare FISH-testen in ongeveer een derde van de twijfelachtige gevallen van borstkanker elimineert.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Borstkanker is niet één enkele ziekte, maar een verzameling van verschillende condities, die elk worden gedreven door unieke moleculaire signalen die bepalen hoe de tumor groeit en hoe deze behandeld moet worden. Een van de meest cruciale signalen om te identificeren is een eiwit genaamd HER2. Wanneer dit eiwit in grote hoeveelheden aanwezig is, werkt het als een gaspedaal voor de kanker, waardoor deze snel groeit. Gelukkig hebben artsen gerichte therapieën ontwikkeld die dit gaspedaal kunnen uitschakelen, maar deze behandelingen werken alleen als de kanker van de patiënt daadwerkelijk het HER2-signaal heeft. Om dit te achterhalen, onderzoeken pathologen weefselmonsters onder een microscoop. Ze kijken eerst naar een standaard gekleurde dia, die de algemene vorm van de cellen laat zien, en vervolgens gebruiken ze vaak een speciale chemische kleuring om het HER2-eiwit zelf te benadrukken. Als de eiwitniveaus duidelijk hoog of duidelijk laag zijn, is de diagnose eenvoudig. Echter, ongeveer één op de zeven patiënten valt in een grijs gebied waar de eiwitniveaus ambigu zijn. Voor deze patiënten vereist de standaardzorg een derde, complexere test die licht gebruikt om de werkelijke genen binnen de cellen te tellen. Deze aanvullende test is duur, tijdrovend en niet voor iedereen beschikbaar, met name in regio's met minder medische middelen.
Een team onderzoekers uit Israël, Portugal en de Verenigde Staten heeft een manier verkend om deze moeilijke derde stap voor veel patiënten over te slaan. Ze vroegen zich af of een computer, getraind op duizenden microscoopbeelden, de standaard weefseldia en de speciale eiwitkleuring samen zou kunnen bekijken om het resultaat van de complexe gentest te voorspellen. Om dit te doen, moesten ze eerst een fysieke puzzel oplossen: de twee dia's komen van hetzelfde stuk weefsel maar zijn op verschillende momenten gesneden en verschillend gekleurd, wat betekent dat ze niet perfect op elkaar aansluiten. De onderzoekers ontwikkelden een methode om deze twee afbeeldingen digitaal uit te lijnen, waarbij de specifieke patronen van cellen op de ene dia worden gematcht met de corresponderende patronen op de andere. Vervolgens voedden ze deze uitgelijnde paren in een deep learning-systeem, een type kunstmatige intelligentie dat leert door enorme hoeveelheden visuele gegevens te analyseren. Het systeem werd getraind om de subtiele visuele aanwijzingen in het weefsel te herkennen die aangeven of de kankercellen waarschijnlijk de genamplificatie hebben die de complexe test normaal gesproken detecteert.
De studie, die gegevens van bijna 1.500 patiënten analyseerde, vond dat deze gecombineerde aanpak met opmerkelijke nauwkeurigheid werkt. Wanneer de onderzoekers het systeem testten op gevallen waar de initiële eiwitkleuring ambigu was, was het computermodel in staat om het resultaat van de gentest met een hoge mate van zekerheid te voorspellen. In ongeveer een derde van deze moeilijke gevallen was het model zo zeker van zijn voorspelling dat het effectief de noodzaak van de dure gentest kon uitsluiten. Voor ongeveer acht procent van deze ambigue gevallen was het model er zeker van dat de kanker positief was voor het gen, en voor een ander 21 procent was het zeker dat de kanker negatief was. In deze specifieke groepen waren de voorspellingen van het model zo betrouwbaar dat ze de gouden standaard-test perfect matchen in de validatie van de studie. Dit suggereert dat voor een aanzienlijk deel van de patiënten de complexe gentest overgeslagen kan worden zonder de nauwkeurigheid van de diagnose in gevaar te brengen.
De onderzoekers hebben hun nieuwe methode ook vergeleken met het gebruik van alleen de eiwitkleuring of alleen de standaard weefseldia. Ze ontdekten dat hoewel de eiwitkleuring alleen al goed was, het toevoegen van de standaard weefseldia de resultaten aanzienlijk verbeterde. De standaard dia bood context, wat de computer hielp om zich specifiek op de kankercellen te concentreren en het omliggende gezonde weefsel te negeren, wat leidde tot betere voorspellingen. De studie suggereert dat deze technologie een krachtig hulpmiddel kan zijn voor triage, waarbij artsen kunnen beslissen welke patiënten echt de dure gentest nodig hebben en welke patiënten behandeld kunnen worden op basis van de eenvoudigere afbeeldingen alleen. Dit zou vooral waardevol kunnen zijn in landen waar de complexe test moeilijk verkrijgbaar is, wat potentieel meer patiënten in staat stelt om sneller de juiste levensreddende behandeling te ontvangen.
De auteurs merken echter voorzichtig op dat dit geen vervanging is voor de gentest in elke situatie. Het model maakt nog steeds fouten in een klein aantal gevallen, en het is niet ontworpen om zeer lage niveaus van het eiwit te detecteren die relevant worden voor nieuwe behandelingen. De studie werd uitgevoerd op een specifieke dataset, en de onderzoekers erkennen dat het systeem in andere ziekenhuizen en met andere patiëntengroepen getest moet worden voordat het breed kan worden toegepast. Ze wijzen er ook op dat hun methode momenteel een mens vereist om een paar punten op de dia's aan te geven om de computer te helpen bij het uitlijnen, een stap die wordt verfijnd om volledig automatisch te worden. Ondanks deze beperkingen demonstreert het werk dat het combineren van twee veelvoorkomende soorten microscoopbeelden met kunstmatige intelligentie informatie kan extraheren die voorheen werd geacht een veel complexere en kostbaardere procedure te vereisen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.