L'IA Predice l'Espressione Genica dei Tumori da Vetrini Istologici di Routine con un'Accuratezza Superiore del 30%
Un nuovo framework di deep learning, Path2Omics, prevede con precisione le firme molecolari a partire da vetrini istopatologici, con il potenziale di rivoluzionare l'oncologia di precisione.
Riepilogo
I ricercatori hanno sviluppato Path2Omics, un framework di intelligenza artificiale che predice l'espressione genica e i pattern di metilazione del DNA a partire da preparati istologici di routine di tessuto tumorale. Il sistema ha raggiunto un'accuratezza superiore del 30% combinando le previsioni ottenute sia da preparati diagnostici standard che da campioni di tessuto fresco congelato. Testato su sette dataset esterni, i dati molecolari previsti dall'IA hanno corrisposto alle misurazioni di laboratorio reali con una precisione sufficiente a predire accuratamente la sopravvivenza dei pazienti e le risposte ai trattamenti, suggerendo che questo approccio potrebbe rendere la medicina oncologica di precisione più accessibile.
Riepilogo Dettagliato
La precision oncology si basa ampiamente sulla profilazione molecolare per guidare le decisioni terapeutiche, ma ottenere dati genetici completi rimane costoso e dispendioso in termini di tempo. I ricercatori del National Cancer Institute hanno sviluppato Path2Omics, un framework di deep learning in grado di predire i pattern di espressione genica e di metilazione del DNA direttamente da preparati istologici di routine.
Il team ha addestrato il proprio sistema di intelligenza artificiale su dati provenienti da 30 tipi di tumore presenti in The Cancer Genome Atlas, utilizzando oltre 22.000 preparati da 8.637 pazienti. In modo originale, hanno sviluppato due modelli complementari: uno addestrato su preparati standard fissati in formalina e inclusi in paraffina (FFPE), utilizzati nella pratica clinica, e un altro su preparati in fresco congelati (FF), che riproducono più fedelmente il tessuto impiegato per il sequenziamento molecolare.
Validato su sette dataset indipendenti, l'approccio integrato ha ottenuto performance superiori del 30% rispetto all'utilizzo dei soli preparati FFPE, riuscendo a predire con successo circa 4.400 geni su 18.000. In modo notevole, i dati di espressione genica predetti dall'intelligenza artificiale hanno mostrato prestazioni quasi equivalenti a quelle delle misurazioni di laboratorio reali quando utilizzati per predire la sopravvivenza dei pazienti e le risposte al trattamento.
Il framework ha dimostrato una particolare efficacia nelle applicazioni sul tumore al seno, classificando con accuratezza i sottotipi molecolari e predicendo le risposte alla chemioterapia neoadiuvante. Ciò suggerisce che i preparati istologici di routine, già raccolti per ogni paziente oncologico, potrebbero fornire gran parte delle informazioni molecolari che attualmente richiedono costosi test specializzati.
Sebbene l'approccio sia promettente per la democratizzazione della precision oncology, lo studio era limitato all'analisi retrospettiva e richiederà una validazione prospettica prima di poter essere implementato nella pratica clinica.
Risultati Principali
- 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
Metodologia
I ricercatori hanno utilizzato il deep learning con l'estrazione di caratteristiche CTransPath e la regressione multi-layer perceptron, addestrando il modello su 22.369 vetrini relativi a 30 tipi di cancro con una validazione incrociata annidata 5×5. Il modello integrato combinava le previsioni dei modelli su vetrini FFPE e su vetrini freschi congelati.
Limitazioni dello Studio
Lo studio era retrospettivo e limitato a specifici tipi di cancro nel TCGA. L'implementazione clinica richiede una validazione prospettica, e le prestazioni possono variare in base ai diversi protocolli di colorazione o ai sistemi di imaging. L'approccio dipende da vetrini istologici digitalizzati di alta qualità.
Ti è piaciuto questo riepilogo?
Ricevi ogni settimana le ultime ricerche sulla longevità direttamente nella tua casella email.
Inserisci la tua email per iscriverti: