博医学JCO中文版丨深度学习人工智能根据组织学切片预测同源重组缺陷和铂类反应
健康
健康
2024-11-26 16:48
北京
深度学习人工智能根据组织学切片预测同源重组缺陷和铂类反应
翻译：博医学-医学英语
摘要
同源重组缺陷（homologous recombination deficiency, HRD）癌症可从铂盐和聚（ADP-核糖）聚合酶抑制剂中获益。检测HRD的标准诊断测试需要分子分析，但这种技术并不普遍可用。我们使用来自Cancer Genome Atlas（TCGA）的原发性乳腺癌（n=1,008）和卵巢癌（n=459）样本，训练了DeepHRD，这是一个深度学习平台，用于根据苏木精和伊红（hematoxylin and eosin, H&E）染色的组织病理学切片预测HRD。使用来自多个独立数据集的乳腺癌（n=349）和卵巢癌（n=141）样本，将DeepHRD与四种标准HRD分子测试进行了比较，这些数据集包括接受铂类治疗的临床队列，具有RECIST无进展生存期（progression-free survival, PFS）、完全缓解（complete response, CR）和总体生存期（overall survival, OS）终点。DeepHRD预测了TCGA中保留的H&E染色乳腺癌切片的HRD，AUC为0.81（95% CI，0.77-0.85）。这一性能在两个独立的原发性乳腺癌队列中得到了证实（AUC，0.76[95% CI，0.71-0.82]）。在外部铂治疗的转移性乳腺癌队列中，预测为HRD的样本具有更高的完全CR（AUC，0.76[95% CI，0.54-0.93]），中位PFS增加了3.7倍（14.4个月 vs 3.9个月；P=0.0019），风险比（hazard ratio, HR）为0.45（P=0.0047）。在三个乳腺癌队列中，预测的HRD状态对非铂类治疗结果没有显著差异，包括紫杉烷治疗的转移性乳腺癌的CR（AUC，0.39）和PFS（HR，0.98，P=0.95）。通过对高级别浆液性卵巢癌的迁移学习，DeepHRD预测的HRD样本在两个队列中接受一线（HR，0.46；P=0.030）和新辅助（HR，0.49；P=0.015）铂类治疗后具有更好的OS。DeepHRD可以直接根据多个外部队列的常规H&E切片、切片扫描仪和组织固定变量预测乳腺癌和卵巢癌的HRD。与分子检测相比，DeepHRD分类出HRD的患者数量是前者的1.8-3.1倍，在高级别浆液性卵巢癌中表现出更好的OS，在转移性乳腺癌中表现出更好的铂类特异性PFS。
DOI:10.1200/JCO.23.02641
点击“阅读原文” 查看原文链接
本期目录：
更年期激素治疗与卵巢癌和子宫内膜癌：妇女健康倡议随机试验的长期随访
深度学习人工智能根据组织学切片预测同源重组缺陷和铂类反应
NRG肿瘤学/NSABP B-42试验中70基因MammaPrint检测对预测延长来曲唑治疗获益的效用
针对晚期肺癌患者呼吸困难的护士主导简短行为干预随机对照试验
大B细胞淋巴瘤标准治疗Axicabtagene Ciloleucel的五年随访：美国淋巴瘤CAR-T联盟的结果
皮下与静脉注射埃万妥单抗联合lazertinib治疗难治性表皮生长因子受体突变型非小细胞肺癌：III期PALOMA-3研究的主要结果
酪氨酸激酶抑制剂联合或不联合前期立体定向放射外科治疗EGFR和ALK致癌基因驱动的非小细胞肺癌脑转移（TURBO-NSCLC）
扫码入群了解更多医学学术内容：
![]()
