研究人员成功创建了一种深度学习模型，通过分析组织病理图像将胰腺导管腺癌（PDAC），即最常见的胰腺癌类型，分类为多种分子亚型。这种创新方法不仅实现了高准确率，还成为现有依赖昂贵分子检测技术的快速且经济的替代方案。发表在Elsevier的《美国病理学杂志》上的这项研究结果，有潜力提高个性化治疗方法并显著改善患者预后。
研究人员成功创建了一种深度学习模型，通过分析组织病理图像将胰腺导管腺癌（PDAC），即最常见的胰腺癌类型，分类为多种分子亚型。这种创新方法不仅实现了高准确率，还成为现有依赖昂贵分子检测技术的快速且经济的替代方案。发表在Elsevier的《美国病理学杂志》上的这项研究结果，有潜力提高个性化治疗方法并显著改善患者预后。
PDAC最近已超越乳腺癌，成为加拿大和美国癌症相关死亡的第三大原因。早期检测可以导致手术干预，有机会治愈约20%的PDAC病例。然而，即使经过手术，五年生存率仍然仅为20%。不幸的是，约80%的患者被诊断为转移性疾病，且大多数患者在一年内往往会去世。
PDAC的侵袭性特征使得有效利用测序技术制定患者护理计划变得尤其困难。该疾病进展迅速，迫切需要快速识别适合靶向治疗和临床试验的患者。然而，目前分子分析所需的时间，从活检后需要19到52天，无法满足这些紧急需求。
来自不列颠哥伦比亚大学病理与实验医学系及温哥华综合医院的首席研究员David Schaeffer博士表示：“我们可以利用越来越多的潜在亚型来定制胰腺癌患者的治疗。然而，目前的分类方法完全依赖于使用来自组织样本的DNA和RNA的基因组技术。虽然这种方法在有足够组织可用的情况下有效，但由于PDAC具有挑战性的解剖位置，这种情况通常并不常见，我们的研究提出了一种有前景的方法，能够使用标准的苏木精-伊红染色切片准确且划算地分类PDAC亚型，并可能导致临床管理的改善。”
该研究涉及对完整切片图像进行深度学习AI模型的训练，以利用苏木精和伊红（H&E）染色切片确定PDAC的分子亚型——具体是基底样和经典亚型。H&E染色是一种广泛可获取且具有成本效益的方法，常用于病理学的诊断和预后，能够快速得出结果。训练包括来自癌症基因组图谱（TCGA）的97个切片，在地方组中对44名患者收集的110个切片进行测试。表现最佳的模型在TCGA数据集中识别经典和基底亚型的准确率为96.19%，而在本地患者群体中的准确率为83.03%，展示了其在不同数据集中的可靠性。
共同首席研究员Ali Bashashati，来自不列颠哥伦比亚大学生物医学工程学院和病理与实验医学系，强调说：“该模型表现出了85%的灵敏度和100%的特异性，使其成为确定哪些患者应进行进一步分子检测的优秀工具。重要的是，该研究的关键成就是AI模型能够直接从活检图像中识别亚型，提供了一种可以在诊断时实施的高效资源。”
Bashashati博士总结说：“这种基于AI的技术标志着胰腺癌诊断的重大进步，使关键分子亚型的快速和经济识别成为可能。”
