Histopathology Based AI Model Predicts Anti-Angiogenic Therapy Response in Renal Cancer Clinical Trial

要約

血管新生阻害剤、免疫チェックポイント阻害剤、mTOR阻害剤、HIF2阻害剤で治療される腫瘍タイプである転移性明細胞腎細胞がん（ccRCC）には、治療反応を予測するバイオマーカーが存在しない。
アンギオスコアは、血管新生の RNA ベースの定量化であり、おそらく抗血管新生 (AA) 反応を予測するための最良の候補です。
しかし、トランスクリプトームアッセイの臨床導入は、標準化、時間遅延、高コストなどのいくつかの課題に直面しています。
さらに、ccRCC 腫瘍は非常に不均一であり、配列決定のために複数の領域をサンプリングすることは非現実的です。
ここでは、遍在する組織病理学スライドからアンジオスコアを予測するための新しい深層学習 (DL) アプローチを紹介します。
一般的な DL モデルの最大の制限の 1 つである解釈可能性の欠如を克服するために、私たちのモデルは、モデルの予測の基礎となる視覚的な血管ネットワークを生成します。
その信頼性をテストするために、このモデルを臨床試験データセットを含む複数のコホートに適用しました。
私たちのモデルは、複数の独立したコホート (0.77 および 0.73 のスピアマン相関) における RNA ベースのアンギオスコアを正確に予測します。
さらに、この予測は、血管新生とグレード、ステージ、およびドライバーの変異状態との関連など、有意義な生物学を解明するのに役立ちます。
最後に、私たちのモデルは、現実世界のコホートとIMmotion150臨床試験の両方で、AA治療に対する反応を予測できることがわかりました。
私たちのモデルの予測力は、血管系のマーカーである CD31 の予測力を大幅に上回り、数分の 1 のコストでグラウンド トゥルース RNA ベースのアンジオスコアのパフォーマンス (c インデックス 0.66 対 0.67) にほぼ匹敵します。
組織病理学スライドのみからアンジオスコアの堅牢かつ解釈可能な予測を提供することにより、私たちのアプローチは血管新生生物学とAA治療反応についての洞察を提供します。

要約(オリジナル)

Predictive biomarkers of treatment response are lacking for metastatic clear cell renal cell carcinoma (ccRCC), a tumor type that is treated with angiogenesis inhibitors, immune checkpoint inhibitors, mTOR inhibitors and a HIF2 inhibitor. The Angioscore, an RNA-based quantification of angiogenesis, is arguably the best candidate to predict anti-angiogenic (AA) response. However, the clinical adoption of transcriptomic assays faces several challenges including standardization, time delay, and high cost. Further, ccRCC tumors are highly heterogenous, and sampling multiple areas for sequencing is impractical. Here we present a novel deep learning (DL) approach to predict the Angioscore from ubiquitous histopathology slides. To overcome the lack of interpretability, one of the biggest limitations of typical DL models, our model produces a visual vascular network which is the basis of the model’s prediction. To test its reliability, we applied this model to multiple cohorts including a clinical trial dataset. Our model accurately predicts the RNA-based Angioscore on multiple independent cohorts (spearman correlations of 0.77 and 0.73). Further, the predictions help unravel meaningful biology such as association of angiogenesis with grade, stage, and driver mutation status. Finally, we find our model can predict response to AA therapy, in both a real-world cohort and the IMmotion150 clinical trial. The predictive power of our model vastly exceeds that of CD31, a marker of vasculature, and nearly rivals the performance (c-index 0.66 vs 0.67) of the ground truth RNA-based Angioscore at a fraction of the cost. By providing a robust yet interpretable prediction of the Angioscore from histopathology slides alone, our approach offers insights into angiogenesis biology and AA treatment response.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google