כלי AI חדש קורא שקופיות ביופסיה של סרטן הריאות תוך פחות משעה, ומחזקת במדויק מוטציות וחוסכת עיכובים של חולים, עלויות ואובדן רקמות, ומסמנת נקודת מפנה בטיפול בסרטן מדויק.
מחקר: פריסה בעולם האמיתי של מודל קרן פתולוגיה מכוונת עדינה לגילוי סמן ביולוגי של סרטן הריאות. קרדיט תמונה: Kateryna Kon/Shutterstock.com
לאחרונה רפואת טבע המחקר ריכז מערך נתונים קליני בינלאומי גדול של אדנוקרצינומה של ריאות דיגיטליות (LUAD) שקופיות כדי להקל על פיתוח סמן ביולוגי של סמן ביולוגי של קולטן גורם אפידרמיס (EGFR).
בדיקות למוטציות EGFR באדנוקרצינומה של הריאה
LUAD הוא הצורה הנפוצה ביותר של סרטן ריאות, כאשר EGFR הוא המוטציה הסומטית הנפוצה ביותר בגנים קינאזיים. בדיקת EGFR מדויקת היא קריטית בכדי להבטיח שהמטופלים יקבלו את הטיפול הנכון בשורה הראשונה. בדיקות EGFR נעשות עבור חולים עם LUAD שלב מתקדם; אחרת, בדיקות מולקולריות בסרטן הריאות היא קו החקירה הסטנדרטי. בדיקת EGFR נמצאת משמעותית מתחת לרמה שנקבעה על ידי הנחיות שפורסמו בבירור. יכולות להיות סיבות רבות, כולל מכשולים טכניים בהשגת דגימות ועיבוד לבדיקה וחומר לא מספיק מביופסיות אבחון.
שיטות חישוביות לגילוי מוטציות EGFR יכולות לשפר משמעותית את זרימת העבודה הקלינית לביופסיות אבחון לסרטן הריאות. רק הפתולוגיה הדיגיטלית מחליקה מהביופסיה של המטוקסילין האבחוני ואאוזין (H&E) תשמש כמצע, מה שמאפשר לדווח על התוצאה ללא עיבוד פיזי ועלות מועטה. ייצור התוצאות המיידי אמור לאפשר גם ליידע את כל ההחלטות האחרות במורד הזרם.
על המחקר
מחקר זה פיתח את הנשר (EGFR AI הערכת ריאות גנומיות) והציג את התועלת הקלינית שלו כסמן ביולוגי מבוסס H&E. המטרה הייתה לשפר את זרימת העבודה המולקולרית הסטנדרטית על ידי שימוש בביופסיות האבחון של חולי LUAD כדי לחזות את מצב המוטציה EGFR. שלא כמו זרימת העבודה המסורתית, הקרנה בסיוע AI מונעת לעתים קרובות בדיקות מהירות. זה נעשה תוך שמירה על ביצועי ההקרנה הגבוהים הכוללים. עדיין נדרשו בדיקות מבוססות של רצף הדור הבא (NGS) לדגימות שהוקרנו חיוביות.
מערך קליני בינלאומי גדול של שקופיות אדנוקרצינומה של ריאות דיגיטליות (LUAD) נערך כדי להכשיר את האלגוריתם בהתאם לשונות הביולוגית והטכנית הרחבה הצפויה מהפריסה הקלינית האמיתית. בסך הכל 5,174 שקופיות ממרכז הסרטן Sloan Kettering Memorial (MSKCC) שימשו לכוונון של מודל קרן פתולוגיה עדכנית. אימות המודל נעשה באמצעות 1,742 שקופיות פנימיות מ- MSKCC ובקבוצות מבחן חיצוניות כדי להבטיח איתנות.
אלה כללו מוסדות בארצות הברית ובאירופה ונפרשו סורקי שקופיות מרובים, והדגימו את ההכללות של המודל על פני מוסדות וסורקים מרובים. משפט שקט נערך על ידי פריסת איגל בזמן אמת כדי לדמות את ביצועיו בסביבה אמיתית.
ממצאי לימוד
איגל הופיע ברמה הצפויה במקרים חדשים ונחשב כמתאים ליישום קליני. תוצאות הבדיקה המהירה של EGFR הושוו עם תוצאות מבחן האידיללה. אידיללה הראתה ערך חיזוי חיובי (PPV) של 0.988, רגישות של 0.918, ספציפיות של 0.993, וערך חיזוי שלילי (NPV) של 0.954 בתקופה שניתחה. המודל השיג אזור תחת ערך העקומה (AUC) של 0.847. הביצועים היו פחות מדויקים בדגימות גרורות (AUC 0.75) בהשוואה לדגימות ראשוניות (AUC 0.90).
בעזרת כמות הרקמות כמתנה לכמות הגידול, שטח הפנים חושב על בסיס האריחים המשמשים להסקת מודלים. נצפתה מגמה כללית, לפיה שופרה ביצועי המודל ככל שהאזור של הרקמה שניתחה גדל. בדיקות נוספות העלו כי המודל הצליח לאתר את כל המוטציות הרלוונטיות לרלוונטיות של EGFR, ובכך הדגיש את החוסן של הנשר על פני גרסאות. ביצועי הדגם בקבוצות חיצוניות היו גם בקנה אחד עם האימות הפנימי והראו AUC של 0.870.
ניסוי שקט הופעל ב- MSKCC לבדיקת תחולת העולם האמיתי. כמו במקרה הקודם, ביצועי הדגם היו נמוכים יותר בדגימות גרורות (AUC 0.760), בהשוואה לדגימות ראשוניות (AUC 0.896). בלוטות לימפה (AUC 0.74) ועצמות (AUC 0.71) ביצעו בצורה גרועה במיוחד. ה- AUC הכולל היה דומה לתוצאות הקודמות ב- 0.853. תוצאות אלה תמכו עוד יותר בפריסת הנשר לדגימות ראשוניות. זרימת העבודה המומלכתית (AI) המועמדת (AI) עלולה להוביל למספר נמוך יותר של דגימות שנבדקו במהירות, על סמך תפוקת הנשר.
בניסוי נבדקו שלוש אסטרטגיות סף כדי לקבוע כמה בדיקות מהירות ניתן לחסוך תוך שמירה על ביצועים דומים לזרימות עבודה מסורתיות. בהתאם לסף שנבחר, זרימת העבודה בסיוע AI הפחיתה את הבדיקות המהירות של 18% עד 43% תוך שמירה על ערכי NPV ו- PPV גבוהים.
זמן התפנית של Eagle היה גם יתרון מרכזי, מה שמספק תוצאות בחציון של 44 דקות בלבד, מהיר משמעותית מה- 48 השעות המינימליות הדרושות לבדיקה מהירה וכמה שבועות עבור NGS.
הניסוי השקט של העולם האמיתי היה חשוב מכיוון שהוא עזר לחוקרים להבין כיצד התבצע הפרוטוקול החדש, כולל מקורות אפשריים לתוצאות חיוביות שליליות ושקריות. על ידי בחינת מפות חום תשומת לב המופעלות על מגלשות הרקמות, הצוות זיהה כי חיובי שווא היו מעורבים לעתים קרובות מוטציות הקשורות ביולוגית כמו הכנסות ERBB2 או פגשו אירועי אקסון 14 לאירועי דילוג. שליליות שווא נטו להתרחש בדגימות עם ארכיטקטורת גידול מינימלית, כמו דגימות ציטולוגיה או ביופסיות כבדות בדם.
הועלה כי ניתן היה להוריד את שיעור השגיאות באופן משמעותי אם הפתולוגים יפרשו ידנית את התוצאות. הנשר אינו נועד להחליף את רצף ה- NGS אלא הוא רק מבחן סינון. הנשר נועד לזהות מקרים חיוביים סבירים ולשלול ביעילות מוטציות EGFR. מכיוון שנשר אינו מבחין בין תת -סוגים של EGFR הדורשים טיפולים ממוקדים שונים, עדיין יש צורך באישור NGS לפני בחירת הטיפול.
מסקנות
מחקר זה הציג מודל פתולוגיה חישובית מאומתת לגילוי מוטציה EGFR ב- LUAD. המודל יכול להפחית את צריכת הרקמות, לשפר את יעילות האבחון ולהאיץ את אימוץ ה- AI בפרקטיקה הקלינית. איגל השיגה את הביצועים שלה על ידי כוונון עדין של מודל יסוד מבוסס שנאי חזון, והדגיש מעבר לעבר כלי AI הניתנים להכללה יותר בפתולוגיה. מחקר עתידי צריך לשקול סמנים ביולוגיים נוספים ולחקר אותם בניסוי קליני פרוספקטיבי.
הורד את עותק ה- PDF שלך עכשיו!
