基于人工智能的工具在胰腺癌诊断方面取得了令人兴奋的进展

研究人员成功开发了一种深度学习模型，可以利用组织病理学图像将最常见的胰腺癌形式胰腺导管腺癌（PDAC）分类为分子亚型。这种方法实现了高精度，并提供了一种快速、经济的替代方法，以依赖于昂贵的分子分析。爱思唯尔发表在《美国病理学杂志》上的这项新研究有望推进个性化治疗策略，改善患者的治疗效果。

　　

研究人员成功开发了一种深度学习模型，利用组织病理学图像将胰腺导管腺癌（PDAC）（最常见的胰腺癌形式）分类为分子亚型。这种方法实现了高精度，并提供了一种快速、经济的替代方法，以依赖于昂贵的分子分析。爱思唯尔发表在《美国病理学杂志》上的这项新研究有望推进个性化治疗策略，改善患者的治疗效果。

在加拿大和美国，前列腺癌最近已经超过乳腺癌，成为导致癌症死亡的第三大原因。如果早期发现，手术可以治愈大约五分之一的PDAC病例。尽管对这些患者进行了手术干预，但5年生存率仍为20%。大约80%的患者在诊断时已经发展为转移性疾病，其中大多数患者在一年内死于疾病。

当使用测序技术确定患者护理计划时，PDAC的侵略性提出了一个巨大的挑战。该疾病的快速临床恶化要求迅速采取行动，确定符合条件的个体进行靶向治疗并纳入临床试验。然而，目前分子分析的周转时间从活检开始的19天到52天不等，无法满足这些对时间敏感的要求。

联合首席研究员David Schaeffer，医学博士，不列颠哥伦比亚大学病理学和检验医学系，温哥华总医院和不列颠哥伦比亚省胰腺中心，解释说：“越来越多的潜在可操作的胰腺癌患者个性化治疗亚型正在被发现。然而，亚型仍然完全基于基于从组织中提取的DNA和RNA的基因组方法。如果有足够的组织存在，这种方法是突出的，但由于PDAC肿瘤的解剖位置困难，这种情况并不总是如此。我们的研究为基于常规苏木精-伊红染色载玻片的PDAC分子亚型分类提供了一种有前景的经济有效的方法，有可能导致更有效的临床治疗这种疾病。”

该研究涉及使用苏木精和伊红（H&E）染色的载玻片，在整片病理图像上训练深度学习AI模型，以识别pdac的分子亚型-基底样和经典型。H&E染色是一种具有成本效益且广泛可用的技术，在病理实验室中用于诊断和预测的常规操作周转时间短。这些模型在来自癌症基因组图谱（TCGA）的97张载玻片上进行了训练，并在来自当地队列的44名患者的110张载玻片上进行了测试。表现最好的模型在TCGA数据集中识别经典亚型和基础亚型的准确率为96.19%，在本地队列中识别准确率为83.03%，突出了其在不同数据集上的稳健性。

联合首席研究员、英属哥伦比亚大学生物医学工程学院、病理学和检验医学系的Ali Bashashati博士指出：“该模型的灵敏度和特异性分别为85%和100%，这使得该人工智能工具非常适用于对患者进行分子检测的分类。此外，这项研究的主要成果是人工智能模型能够从活检图像中检测出亚型，使其成为一种非常有用的工具，可以在诊断时部署。”

Bashashati博士总结道：“这种基于人工智能的方法在胰腺癌诊断方面取得了令人兴奋的进展，使我们能够快速、经济地识别关键的分子亚型。”