KI sagt Krebsgen-Expression aus routinemäßigen Gewebeschnitten mit 30 % höherer Genauigkeit voraus
Ein neues Deep-Learning-Framework namens Path2Omics sagt molekulare Signaturen aus histopathologischen Schnitten präzise voraus und könnte die Präzisionsonkologie grundlegend verändern.
Zusammenfassung
Forscher haben Path2Omics entwickelt, ein KI-Framework, das Genexpression und DNA-Methylierungsmuster aus routinemäßigen Krebsgewebeschnitten vorhersagt. Das System erzielte eine um 30 % höhere Genauigkeit, indem es Vorhersagen aus Standard-Diagnoseschnitten und frisch gefrorenem Gewebe kombinierte. Bei der Validierung an sieben externen Datensätzen stimmten die KI-vorhergesagten Molekulardaten mit tatsächlichen Labormessungen gut genug überein, um das Patientenüberleben und Behandlungsansprechen zuverlässig vorherzusagen – ein Ansatz, der die Präzisionsonkologie breiter zugänglich machen könnte.
Detaillierte Zusammenfassung
Präzisionsonkologie stützt sich stark auf molekulares Profiling, um Behandlungsentscheidungen zu leiten, doch die Erhebung umfassender genetischer Daten bleibt kostspielig und zeitaufwendig. Forscher am National Cancer Institute haben Path2Omics entwickelt, ein Deep-Learning-Framework, das Genexpression und DNA-Methylierungsmuster direkt aus routinemäßigen histopathologischen Schnitten vorhersagen kann.
Das Team trainierte sein KI-System an Daten aus 30 Krebstypen des The Cancer Genome Atlas und verwendete dabei über 22.000 Schnitte von 8.637 Patienten. Besonders hervorzuheben ist, dass zwei komplementäre Modelle entwickelt wurden: eines, das auf standardmäßigen formalinfixierten, in Paraffin eingebetteten (FFPE) Schnitten trainiert wurde, wie sie in der klinischen Praxis eingesetzt werden, und ein weiteres auf Frischgefriergewebeschnitten (FF), die dem für die molekulare Sequenzierung verwendeten Gewebe näher kommen.
Bei der Validierung anhand von sieben unabhängigen Datensätzen erzielte der integrierte Ansatz eine um 30 % bessere Leistung als die alleinige Verwendung von FFPE-Schnitten und sagte erfolgreich etwa 4.400 von 18.000 Genen voraus. Bemerkenswerterweise schnitten die KI-vorhergesagten Genexpressionsdaten bei der Vorhersage von Patientenüberlebensdaten und Behandlungsansprechen nahezu genauso gut ab wie tatsächliche Labormessungen.
Das Framework zeigte besondere Stärken bei Brustkrebsanwendungen, indem es molekulare Subtypen präzise klassifizierte und das Ansprechen auf eine neoadjuvante Chemotherapie vorhersagte. Dies deutet darauf hin, dass routinemäßige Pathologieschnitte, die bereits bei jedem Krebspatienten entnommen werden, einen Großteil der molekularen Informationen liefern könnten, die derzeit aufwendige Spezialtests erfordern.
Obwohl der Ansatz vielversprechend für eine Demokratisierung der Präzisionsonkologie ist, beschränkte sich die Studie auf retrospektive Analysen und muss vor dem klinischen Einsatz prospektiv validiert werden.
Wichtigste Erkenntnisse
- AI framework predicts gene expression from histopathology with 30% improved accuracy using integrated approach
- Fresh frozen slides outperformed standard diagnostic slides for molecular prediction across cancer types
- Predicted gene expression matched actual measurements for survival and treatment response prediction
- Successfully classified breast cancer subtypes and predicted chemotherapy responses from routine slides
- Framework validated across seven independent datasets spanning multiple cancer types
Methodik
Die Forscher verwendeten Deep Learning mit CTransPath-Merkmalsextraktion und Multi-Layer-Perceptron-Regression, wobei das Training auf 22.369 Schnitten aus 30 Krebsarten mit einer verschachtelten 5×5-Kreuzvalidierung durchgeführt wurde. Das integrierte Modell kombinierte Vorhersagen aus Modellen für FFPE- und Frischgefrierschnitte.
Studienlimitierungen
Die Studie war retrospektiv angelegt und beschränkte sich auf bestimmte Krebsarten in TCGA. Die klinische Umsetzung erfordert eine prospektive Validierung, und die Leistungsfähigkeit kann je nach Färbeprotokoll oder Bildgebungssystem variieren. Der Ansatz setzt qualitativ hochwertige digitalisierte Pathologieschnitte voraus.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: