Un nouvel outil d'IA lit la biopsie du cancer du poumon des glissements en moins d'une heure, prédisant avec précision les mutations et économisant des retards, les coûts et la perte de tissus, marquant un tournant dans les soins contre le cancer de précision.
Étude: Déploiement du monde réel d'un modèle de fondation de pathologie affinée pour la détection des biomarqueurs du cancer du poumon. Crédit d'image: Kateryna Kon / Shutterstock.com
Un récent Médecine de la nature L'étude a compilé un grand ensemble de données cliniques internationales de diapositives d'adénocarcinome pulmonaire numérique (LUAD) pour faciliter le développement d'un biomarqueur du récepteur du facteur de croissance épidermique (EGFR).
Sommaire
Test des mutations EGFR dans l'adénocarcinome du poumon
Luad est la forme la plus répandue de cancer du poumon, EGFR étant la mutation somatique la plus courante dans les gènes kinases. Les tests précis du DGE sont cruciaux pour garantir que les patients reçoivent la bonne thérapie de première intention. Les tests EGFR sont effectués pour les patients atteints de LUAD à un stade avancé; Sinon, les tests moléculaires dans le cancer du poumon sont la ligne d'investigation standard. Les tests EGFR sont nettement inférieurs au niveau déterminé par des directives clairement publiées. Il pourrait y avoir de nombreuses raisons, notamment des obstacles techniques dans l'obtention et le traitement des échantillons pour les tests et les matériaux insuffisants à partir de biopsies diagnostiques.
Les méthodes de calcul pour détecter les mutations EGFR peuvent améliorer considérablement le flux de travail clinique des biopsies diagnostiques du cancer du poumon. Seules les glissements de pathologie numérisés de la biopsie diagnostique de l'hématoxyline et de l'éosine (H&E) seraient utilisés comme substrat, permettant le résultat d'être signalé sans traitement physique et peu de coût. La production immédiate de résultats devrait également permettre d'informer toutes les autres décisions en aval.
À propos de l'étude
Cette étude a développé l'aigle (EGFR AI Genomic Lung Evaluation) et a présenté son utilité clinique en tant que biomarqueur informatique basé sur H&E. L'objectif était d'améliorer le flux de travail moléculaire standard en utilisant les biopsies diagnostiques des patients LUAD pour prédire le statut mutationnel EGFR. Contrairement au flux de travail traditionnel, le dépistage assisté par l'IA empêche souvent des tests rapides. Cela a été fait tout en conservant des performances de dépistage globales élevées. Des tests basés sur le séquençage de nouvelle génération (NGS) étaient toujours nécessaires pour les échantillons qui ont été dépistés positifs.
Un grand ensemble de données cliniques internationaux de diapositives d'adénocarcinome pulmonaire numérique (LUAD) a été compilée pour former l'algorithme conformément à la large variabilité biologique et technique attendue du déploiement clinique réel. Au total, 5 174 diapositives du Memorial Sloan Kettering Cancer Center (MSKCC) ont été utilisées pour affiner un modèle de fondation de pathologie de pointe. La validation du modèle a été effectuée en utilisant 1 742 diapositives internes de MSKCC et sur des cohortes de test externes pour assurer la robustesse.
Ceux-ci comprenaient des institutions aux États-Unis et en Europe et ont duré plusieurs scanners de diapositives, démontrant la généralisation du modèle entre les institutions et plusieurs scanners. Un essai silencieux a été mené en déploiement d'Eagle en temps réel pour simuler ses performances dans un cadre réel.
Résultats de l'étude
Eagle a effectué au niveau attendu sur de nouveaux cas et a été jugé adapté à la mise en œuvre clinique. Les résultats du test rapide de l'EGFR ont été comparés aux résultats du test d'Idylla. Idylla a montré une valeur prédictive positive (PPV) de 0,988, une sensibilité de 0,918, une spécificité de 0,993 et une valeur prédictive négative (VAN) de 0,954 dans la période analysée. Le modèle a atteint une zone sous la valeur de la courbe (AUC) de 0,847. Les performances étaient moins précises dans les échantillons métastatiques (AUC 0,75) par rapport aux échantillons primaires (AUC 0,90).
En utilisant la quantité de tissus comme indicateur indirect de la quantité tumorale, la surface a été calculée sur la base des tuiles utilisées pour l'inférence du modèle. Une tendance générale a été notée, selon laquelle les performances du modèle ont été améliorées à mesure que la zone du tissu analysé augmentait. D'autres tests ont révélé que le modèle était en mesure de détecter toutes les mutations EGFR cliniquement pertinentes, mettant ainsi en évidence la robustesse de l'aigle entre les variantes. Les performances du modèle sur les cohortes externes étaient également conformes à la validation interne et ont montré un ASC de 0,870.
Un essai silencieux a été exécuté chez MSKCC pour tester l'applicabilité du monde réel. Comme dans le cas précédent, les performances du modèle étaient plus faibles dans les échantillons métastatiques (AUC 0,760), par rapport aux échantillons primaires (AUC 0,896). Les ganglions lymphatiques (AUC 0,74) et les os (AUC 0,71) ont particulièrement mal fonctionné. L'AUC global était comparable aux résultats précédents à 0,853. Ces résultats ont en outre soutenu le déploiement d'Eagle pour les échantillons primaires. Le flux de travail assisté de l'intelligence artificielle (IA) pourrait entraîner un nombre plus faible d'échantillons rapidement testés, sur la base de la sortie d'Eagle.
Trois stratégies de seuil ont été explorées dans l'essai pour déterminer combien de tests rapides pourraient être épargnés tout en conservant des performances comparables aux flux de travail traditionnels. Selon le seuil choisi, le flux de travail assisté par l'IA a réduit les tests rapides de 18% à 43% tout en préservant les valeurs élevées de VNP et de PPV.
Le délai d'exécution pour Eagle était également un avantage clé, offrant des résultats par une médiane de seulement 44 minutes, nettement plus rapide que le minimum 48 heures nécessaires pour des tests rapides et plusieurs semaines pour le NGS.
L'essai silencieux de la définition du monde réel a été important car il a aidé les chercheurs à comprendre comment le protocole nouvellement conçu a fonctionné, y compris les sources possibles de résultats faux négatifs et faux positifs. En examinant l'attention des marques thermiques superposées sur les lames de tissus, l'équipe a identifié que les faux positifs impliquaient souvent des mutations biologiquement liées comme les insertions ERBB2 ou Met Exon 14 Sauter des événements. Les faux négatifs avaient tendance à se produire dans des échantillons avec une architecture tumorale minimale, tels que des échantillons de cytologie ou des biopsies sanguines.
Il a été émis l'hypothèse que le taux d'erreur pouvait être réduit de manière significative si les pathologistes interprétaient manuellement les résultats. L'aigle n'est pas destiné à remplacer le séquençage NGS mais n'est qu'un test de dépistage. Eagle est censé identifier des cas positifs probables et exclure efficacement les mutations EGFR. Étant donné que Eagle ne fait pas de distinction entre les sous-types EGFR qui nécessitent différentes thérapies ciblées, la confirmation NGS est toujours nécessaire avant la sélection du traitement.
Conclusions
Cette étude a présenté un modèle de pathologie informatique validé pour détecter la mutation EGFR dans LUAD. Le modèle peut réduire la consommation de tissus, améliorer l'efficacité diagnostique et accélérer l'adoption de l'IA dans la pratique clinique. Eagle a réalisé ses performances en affinant un modèle de fondation basé sur un transformateur de vision, mettant en évidence un changement vers des outils d'IA plus généralisables en pathologie. Les recherches futures devraient considérer des biomarqueurs supplémentaires et les étudier dans un essai clinique prospectif.
Téléchargez votre copie PDF maintenant!
