人工智能工具根据活检图像预测癌症基因活性

为了确定癌症的类型和严重程度，病理学家通常在显微镜下分析肿瘤活检的薄片。但为了弄清楚哪些基因组变化正在推动肿瘤的生长——可以指导如何治疗的信息——科学家必须对从肿瘤中分离出来的RNA进行基因测序，这个过程可能需要数周时间并花费数千美元。

现在，斯坦福大学医学院的研究人员开发了一种人工智能驱动的计算程序，可以预测体内数千个基因的活动肿瘤细胞仅基于活检的标准显微镜图像。

该工具，网上描述的在自然通讯11 月 14 日，是使用来自 7,000 多个不同肿瘤样本的数据创建的。研究小组表明，它可以使用常规收集的活检图像来预测乳腺癌的遗传变异并预测患者结果。

生物医学数据科学教授 Olivier Gevaert 博士表示：“这种软件可用于快速识别患者肿瘤中的基因特征，加快临床决策速度，并为医疗保健系统节省数千美元。”以及该论文的资深作者。

这项工作还由斯坦福大学研究生 Marija Pizuria 和博士后研究员 Yuanning Cheng 博士和 Francisco Perez 博士领导。

由基因组学驱动

临床医生越来越多地指导选择哪些癌症治疗（包括化疗、免疫疗法和基于激素的疗法）不仅根据患者的癌症影响哪个器官，而且根据肿瘤使用哪些基因来促进其生长和扩散向患者推荐。打开或关闭某些基因可能会使肿瘤更具侵袭性，更有可能转移，或者或多或少对某些药物产生反应。

然而，获取这些信息通常需要昂贵且耗时的基因组测序。

Gevaert 和他的同事们知道，单个细胞可以以人眼通常无法察觉的方式改变这些细胞的外观。他们求助于人工智能来寻找这些模式。

研究人员从 16 种不同癌症类型的 7,584 份癌症活检开始。每个活检都被切成薄片，并使用苏木精和伊红染色的方法进行准备，这是可视化癌细胞整体外观的标准方法。有关癌症转录组的信息（细胞正在积极使用哪些基因）也是可用的。

一个工作模型

研究人员整合了新的癌症活检以及其他数据集（包括来自数千个健康细胞的转录组数据和图像）后，他们将其命名为 SEQUOIA（使用线性注意力的基于幻灯片的表达量化）的 AI 程序能够从染色图像中预测超过 15,000 个不同基因的表达模式。

对于某些癌症类型，AI预测的基因活性与真实基因活性数据的相关性超过80%。一般来说，初始数据中包含的任何给定癌症类型的样本越多，模型在该癌症类型上的表现就越好。

“模型经过多次迭代才达到我们对性能满意的程度，”Gevaert 说。“但最终对于某些肿瘤类型，它达到了可以在临床上发挥作用的水平。”

Gevaert 指出，医生通常不会一次只查看一个基因来做出临床决策，而是查看包含数百个不同基因的基因特征。例如，许多癌细胞激活同一组数百个与炎症相关的基因，或数百个与细胞生长相关的基因。与预测个体基因表达的性能相比，SEQUOIA 在预测此类大型基因组程序是否被激活方面甚至更加准确。

为了使数据易于访问和解释，研究人员对 SEQUOIA 进行了编程，将遗传发现显示为肿瘤活检的可视化图，让科学家和临床医生了解肿瘤不同区域的遗传变异如何不同。

预测患者结果

为了测试 SEQUOIA 在临床决策中的实用性，Gevaert 和他的同事确定了该模型可以准确预测其表达的乳腺癌基因，并且这些基因已经用于商业乳腺癌基因组测试。（例如，食品和药物管理局批准的 MammaPrint 测试可以分析 70 个乳腺癌相关基因的水平，为患者提供癌症可能复发风险的评分。）

“乳腺癌有许多经过充分研究的因素基因签名过去十年已被证明与治疗反应和患者结果高度相关，”Gevaert 说。“这使其成为我们模型的理想测试案例。”

研究小组表明，SEQUOIA 可以仅使用肿瘤活检的染色图像来提供与 MammaPrint 相同类型的基因组风险评分。该结果在多个不同组的乳腺癌患者中重复出现。在每种情况下，被 SEQUOIA 识别为高风险的患者的结果都较差，癌症复发率较高，而且癌症复发的时间也较短。

AI模型还不能用于临床环境“它需要在临床试验中进行测试，并在用于指导治疗决策之前得到 FDA 的批准”，但 Gevaert 表示，他的团队正在改进算法并研究其潜在应用。他说，未来，SEQUOIA 可以减少对昂贵的基因表达测试的需求。

“我们已经展示了这对乳腺癌有多么有用，我们现在可以将它用于所有癌症，并观察任何存在的基因特征，”他说。“这是我们以前没有的全新数据来源。”

罗氏诊断公司的科学家也是该论文的作者。