新AIモデル、32種のがんでTP53変異を予測 EGFRモデルは祖先系で性能差

研究者らは、通常のホールスライド病理画像を解析し、32種の異なる固形がんについて、がんサブタイプ、特定の遺伝子変異、生存転帰を同時に予測できる新しいAIモデルを開発した。また、EGFR予測のための2つのオープンソースAIモデルを評価した別の研究では、モデルの性能が患者の祖先系によって異なり、アジア系患者では精度が低下することが判明した。

AIベースのVision Transformerモデルは、Pan-Cancer Atlasから取得した11,000件を超える原発性腫瘍症例と、対応する体細胞変異、RNAシーケンシング、臨床転帰データを含むデータセットで訓練された。独立した検証セット（1,729スライド）において、32種の固形腫瘍型を対象としたTP53変異検出で高い予測精度（AUROC 0.766）を達成した。さらに、このモデルはホールスライド画像から直接、TP53のRNA発現レベルと腫瘍分類を推定する能力も示した。ホールスライド画像は極めて大きく複雑であるため、研究者らは弱教師あり学習戦略を採用し、ピクセル単位や領域単位の網羅的なアノテーションを必要とせずに、スライドレベルのラベルからモデルが学習できるようにした。Elsevierが発行するThe American Journal of Pathologyに掲載されたこの研究の知見は、日常的な診断画像と分子腫瘍学を結びつける計算病理学の可能性を浮き彫りにしている。

タスマニア大学メンジーズ医学研究所および医学部の共同筆頭研究者は、次のように説明した。「TP53変異の標準的な分子プロファイリングは、医療資源に恵まれない環境や遠隔地の臨床現場では、費用が高く利用できないことが多い。われわれは、ホールスライド病理画像から、TP53変異の有無、TP53 RNA発現、腫瘍型、スライドレベルの生存関連転帰を含む7つの出力を同時に生成できる単一のモデルを開発した」。別の共同筆頭研究者は、このアプローチにより、確認的分子検査の恩恵を受ける可能性のある患者を特定できるほか、ゲノム検査が限られた環境でのトリアージを支援し、臨床医への追加の意思決定支援を提供できる可能性があると指摘した。その上で、分子検査を補完するものであり、代替するものではないと強調した。

肺腺がん（LUAD）患者を対象とした研究で、研究者らはヘマトキシリン・エオジン（H&E）染色ホールスライド画像からのEGFR予測のための2つのオープンソースAIモデル、EAGLEとDeepGEMの再現性を検証した。TCGA LUADデータセット（n = 463）で再現されたAUCは、EAGLEが0.89（95% CI、0.85〜0.93）、DeepGEMが0.88（95% CI、0.82〜0.93）であり、発表済みの結果と一致した。全体で2,098例のLUAD患者が含まれた。Dana-Farber Cancer Institute（DFCI）コホート（n = 1,759）では、EAGLEのAUCは0.83（95% CI、0.81〜0.85）で、DeepGEMの0.68（95% CI、0.65〜0.70）を上回った。欧州のTNM-Iコホート（n = 339）でも、EAGLEはAUC 0.81（95% CI、0.74〜0.88）対DeepGEMの0.75（95% CI、0.68〜0.83）で再び優れた性能を示した。

DFCIコホートでは、EGFR変異はアジア系患者で最も頻度が高く（60例、63%）、次いでアフリカ系患者（17例、31%）であった。EAGLEはほとんどの祖先系グループで頑健な性能（AUC >0.80）を維持したが、アジア系患者ではAUCが0.68（95% CI、0.55〜0.78）に低下した。この研究はまた、90カ国を対象とした最近の国際調査において、臨床医の40%超がバイオマーカー検査の結果が得られる前に患者を治療したと報告し、コスト、所要時間、検体品質、アクセスが主要な障壁として挙げられたことも指摘している。

乳腺病理におけるAIに関する別のレビューでは、人工知能が診断精度、効率、再現性を向上させることで、乳腺病理診断を変革しつつあることが明らかになった。このレビューでは、リンパ節転移の検出、Nottinghamグレーディング、良性・悪性の分類、バイオマーカーの自動定量、予後予測、リスク層別化、腫瘍微小環境の解析などの臨床応用が報告されている。実臨床への導入における一般的な障壁としては、データ品質とバイアス、規制上の考慮事項、コストとインフラ、既存の検査室ワークフローへのツール統合の課題が挙げられている。