Efficient and generalizable prediction of molecular alterations in multiple cancer cohorts using H&E whole slide images

要約

標的化可能なバイオマーカーについての腫瘍サンプルの分子検査は、標準化の欠如、所要時間、コスト、およびがんの種類全体にわたる組織の利用可能性によって制限されています。
さらに、蔓延率の低い対象となる変更は、日常的なワークフローではテストできない場合があります。
日常的に生成されるヘマトキシリン・エオシン（H&E）染色画像から DNA 変化を予測するアルゴリズムは、確認的な分子検査のためのサンプルに優先順位を付ける可能性があります。
コストと、突然変異を含む多数のサンプルの必要性により、変更ごとに個別のアルゴリズムをトレーニングするアプローチは制限されます。
この研究では、マルチタスク アプローチを使用して、H&E 画像から複数の DNA 変化を同時に予測するためにモデルがトレーニングされました。
バイオマーカー固有のモデルと比較して、このアプローチは平均して優れたパフォーマンスを示し、まれな変異については顕著な改善が見られました。
モデルは、独立した時間的ホールドアウト、外部染色、およびマルチサイト TCGA テスト セットに合理的に一般化されています。
さらに、マルチタスク モデルを使用して導出されたスライド画像全体の埋め込みは、トレーニングの一部ではない下流のタスクで優れたパフォーマンスを示しました。
全体として、これは、単一のスライドから複数の実用的な予測を提供する、臨床的に役立つアルゴリズムを開発するための有望なアプローチです。

要約(オリジナル)

Molecular testing of tumor samples for targetable biomarkers is restricted by a lack of standardization, turnaround-time, cost, and tissue availability across cancer types. Additionally, targetable alterations of low prevalence may not be tested in routine workflows. Algorithms that predict DNA alterations from routinely generated hematoxylin and eosin (H&E)-stained images could prioritize samples for confirmatory molecular testing. Costs and the necessity of a large number of samples containing mutations limit approaches that train individual algorithms for each alteration. In this work, models were trained for simultaneous prediction of multiple DNA alterations from H&E images using a multi-task approach. Compared to biomarker-specific models, this approach performed better on average, with pronounced gains for rare mutations. The models reasonably generalized to independent temporal-holdout, externally-stained, and multi-site TCGA test sets. Additionally, whole slide image embeddings derived using multi-task models demonstrated strong performance in downstream tasks that were not a part of training. Overall, this is a promising approach to develop clinically useful algorithms that provide multiple actionable predictions from a single slide.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google