”Autodidakt” AI-verktyg hjälper till att diagnostisera och förutsäga svårighetsgraden av vanlig lungcancer

by Albert
Lungcancer

Ett datorprogram som bygger på data från nästan en halv miljon vävnadsbilder och som drivs av artificiell intelligens kan enligt en ny studie korrekt diagnostisera fall av adenokarcinom, den vanligaste formen av lungcancer.

Forskare vid NYU Langone Health’s Perlmutter Cancer Center och University of Glasgow har utvecklat och testat programmet. De säger att eftersom programmet innehåller strukturella egenskaper hos tumörer från 452 adenokarcinompatienter, som är bland de mer än 11.000 patienterna i USA:s National Cancer Institutes Cancer Genome Atlas, erbjuder det en opartisk, detaljerad och tillförlitlig second opinion för patienter och onkologer om förekomsten av cancer och sannolikheten och tidpunkten för dess återkomst (prognos).

Forskargruppen påpekar också att programmet är oberoende och ”självlärt”, vilket innebär att det på egen hand har fastställt vilka strukturella egenskaper som är statistiskt mest betydelsefulla för att mäta sjukdomens svårighetsgrad och som har störst inverkan på tumöråterfall.

Studiens program, som också kallas algoritm – eller mer specifikt histomorfologisk fenotypinlärning (HPL) – publicerades i tidskriften Nature Communications och visade sig i 99% av fallen kunna skilja mellan liknande lungcancerformer, adenocarcinom och skivepitelcancer, på ett korrekt sätt. HPL-programmet visade sig också vara 72% korrekt när det gäller att förutsäga sannolikheten och tidpunkten för att cancern återkommer efter behandling, vilket är en förbättring jämfört med de 64% korrekta förutsägelser som gjordes av patologer som direkt undersökte samma patienters tumörbilder, säger forskarna.

”Vårt nya inlärningsprogram för histomorfologiska fenotyper har potential att erbjuda cancerspecialister och deras patienter ett snabbt och opartiskt diagnostiskt verktyg för lungadenokarcinom, som – när ytterligare tester är klara – också kan användas för att validera och till och med vägleda deras behandlingsbeslut”, säger studiens huvudforskare Nicolas Coudray, Ph.D., en bioinformatikprogrammerare vid NYU Grossman School of Medicine och Perlmutter Cancer Center.

”Patienter, läkare och forskare vet att de kan lita på denna prediktiva modellering eftersom den är självlärd, ger förklarliga beslut och endast baseras på kunskap som hämtats specifikt från varje patients vävnad, inklusive sådana egenskaper som andelen döende celler, tumörbekämpande immunceller och hur tätt packade tumörcellerna är, bland andra egenskaper”, säger Coudray.

”Lungvävnadsprover kan nu analyseras på några minuter av vårt datorprogram för att ge ganska exakta förutsägelser om huruvida deras cancer kommer att återvända, förutsägelser som är bättre än nuvarande vårdstandarder för att göra en prognos för lungadenokarcinom”, säger studiens biträdande forskningsledare Aristotelis Tsirigos, Ph. D. Tsirigos är professor vid avdelningarna för patologi och medicin vid NYU Grossman School of Medicine och Perlmutter Cancer Center, där han också är co-director för precisionsmedicin och chef för Applied Bioinformatics Laboratories.

Tsirigos säger att tack vare sådana verktyg och andra framsteg inom lungcancerbiologin kommer patologerna att undersöka vävnadsskanningar på sina datorskärmar, och allt färre i mikroskop, och sedan använda sitt AI-program för att analysera bilden och producera sin egen bild av skanningen.

Den nya bilden, eller ”landskapet”, lägger de till, kommer att erbjuda en detaljerad uppdelning av vävnadens innehåll. Den kan till exempel visa att det finns 5% nekros och 10% tumörinfiltration och vad det betyder för överlevnaden. Det kan statistiskt sett motsvara 80% chans att förbli cancerfri i två år eller mer, baserat på information från alla patientdata i programmet.

För att utveckla HPL-programmet analyserade forskarna först vävnadsbilder från lungadenokarcinom från Cancer Genome Atlas. Adenokarcinom valdes som testmodell eftersom sjukdomen är känd för sina karakteristiska drag. Som exempel noterar de att dess tumörceller tenderar att gruppera sig i så kallade acinariska eller säckliknande mönster och sprida sig förutsägbart längs lungcellernas ytskikt.

I sin analys av objektglasen, vars visuella bilder skannades digitalt och delades in i 432 231 små kvadranter eller rutor, fann forskarna 46 viktiga egenskaper, vad de kallar histomorfologiska fenotypkluster, från både normal och sjuk vävnad, varav en delmängd var statistiskt kopplade till antingen tidig återkomst av cancer eller till långsiktig överlevnad. Resultaten bekräftades sedan genom ytterligare och separata tester på vävnadsbilder från 276 män och kvinnor som behandlats för adenokarcinom vid NYU Langone mellan 2006 och 2021.

Forskarna säger att deras mål är att använda HPL-algoritmen för att tilldela varje patient en poäng mellan 0 och 1 som återspeglar deras statistiska chans att överleva och återfalla i tumören i upp till fem år. Eftersom programmet är självlärande betonar de att HPL kommer att bli allt mer exakt i takt med att mer data läggs till över tid. För att bygga upp allmänhetens förtroende har forskarna lagt ut sin programmeringskod på nätet och planerar att göra det nya HPL-verktyget fritt tillgängligt efter att ytterligare tester har slutförts.

Egenskaper kopplade till återkommande tumörer inkluderade höga procentandelar döda cancerceller och tumörbekämpande immunceller, så kallade lymfocyter, samt täta kluster av tumörceller i lungornas yttre foder. Egenskaper som var kopplade till ökad sannolikhet för överlevnad var höga procentandelar oförändrad eller bevarad lungsäcksvävnad och avsaknad av eller mild förekomst av inflammatoriska celler.

Tsirigos säger att teamet nu planerar att utveckla HPL-liknande program för andra cancerformer, t.ex. bröstcancer, äggstockscancer och kolorektalcancer, som på liknande sätt baseras på distinkta och viktiga morfologiska egenskaper och ytterligare molekylära data. Teamet har också planer på att utöka och förbättra noggrannheten i det nuvarande HPL-programmet för adenocarcinom genom att inkludera andra data från sjukhusens elektroniska hälsojournaler om andra sjukdomar och åkommor, eller till och med inkomst och postnummer i hemmet.

Förutom Tsirigos och Coudray är Anna Yeaton, Bojing Liu, Hortense Le, Luis Chiriboga, Afreen Karimkhan, Navneet Natula, Christopher Park, Harvey Pass och Andre Moreira andra NYU Langone-forskare som är involverade i denna studie. Studiens co-lead investigator Adalberto Claudio Quiros, studiens co-investigatorer Xinyu Yang och John Le Quesne samt studiens co-senior investigator Ke Yuan är alla verksamma vid University of Glasgow, Storbritannien. David Moore, medforskare i studien, är verksam vid University College London, Storbritannien.

Ytterligare information: Mapping the landscape of histomorphological cancer phenotypes using self-supervised learning on unlabeled, unannotated pathology slides, Nature Communications (2024). DOI: 10.1038/s41467-024-48666-7

Related Articles

Leave a Comment