Multi-modal AI for comprehensive breast cancer prognostication

要約

乳がんの治療選択は、分子サブタイプと臨床的特徴によって決まります。
再発リスク評価は、治療を個別化する上で重要な役割を果たします。
ゲノムアッセイを含む現在の方法には精度と臨床的有用性が限られており、多くの患者にとって最適とはいえない決定につながっています。
私たちは、新しい AI 手法を使用して、デジタル病理学と臨床特徴に基づいて乳がん患者を層別化するための検査を開発しました。
具体的には、デジタル化された H&E 染色スライドから特徴を抽出するために、自己教師あり学習でトレーニングされたビジョン トランスフォーマー ベースの汎がん基礎モデルを利用しました。
これらの機能は臨床データと統合され、がんの再発と死亡を予測するマルチモーダル AI テストが形成されました。
この検査は、7 ヶ国からの 15 コホートにわたる合計 8,161 人の乳がん患者からのデータを使用して開発および評価されました。
このうち、5 つのコホートからの 3,502 人の患者は評価のみに使用され、残りの患者はトレーニングに使用されました。
私たちの検査では、5 つの外部コホートにおける主要評価項目である無病期間を正確に予測しました (C インデックス: 0.71 [0.68-0.75]、HR: 3.63 [3.02-4.37、p<0.01])。 直接比較 (N=858) では、AI 検査は標準治療の 21 遺伝子検査であるオンコタイプ DX よりも正確で、C インデックスは 0.67 [0.61-0.74] 対 0.61 [0.49-0.73] でした。 、 それぞれ。 さらに、AI 検査により、多変量解析で Oncotype DX に独立した情報が追加されました (HR: 3.11 [1.91-5.09, p<0.01)])。 この検査は、現在臨床ガイドラインで推奨されている診断ツールがないTNBC（Cインデックス：0.71[0.62-0.81]、HR：3.81[2.35-6.17、p=0.02]）を含むすべての主要な乳がんサブタイプにわたって堅牢な精度を実証しました。 。 これらの結果は、当社の AI 検査が精度を向上させ、より広範囲の患者への適用範囲を拡大し、治療選択ツールへのアクセスを強化できることを示唆しています。

要約(オリジナル)

Treatment selection in breast cancer is guided by molecular subtypes and clinical characteristics. Recurrence risk assessment plays a crucial role in personalizing treatment. Current methods, including genomic assays, have limited accuracy and clinical utility, leading to suboptimal decisions for many patients. We developed a test for breast cancer patient stratification based on digital pathology and clinical characteristics using novel AI methods. Specifically, we utilized a vision transformer-based pan-cancer foundation model trained with self-supervised learning to extract features from digitized H&E-stained slides. These features were integrated with clinical data to form a multi-modal AI test predicting cancer recurrence and death. The test was developed and evaluated using data from a total of 8,161 breast cancer patients across 15 cohorts originating from seven countries. Of these, 3,502 patients from five cohorts were used exclusively for evaluation, while the remaining patients were used for training. Our test accurately predicted our primary endpoint, disease-free interval, in the five external cohorts (C-index: 0.71 [0.68-0.75], HR: 3.63 [3.02-4.37, p<0.01]). In a direct comparison (N=858), the AI test was more accurate than Oncotype DX, the standard-of-care 21-gene assay, with a C-index of 0.67 [0.61-0.74] versus 0.61 [0.49-0.73], respectively. Additionally, the AI test added independent information to Oncotype DX in a multivariate analysis (HR: 3.11 [1.91-5.09, p<0.01)]). The test demonstrated robust accuracy across all major breast cancer subtypes, including TNBC (C-index: 0.71 [0.62-0.81], HR: 3.81 [2.35-6.17, p=0.02]), where no diagnostic tools are currently recommended by clinical guidelines. These results suggest that our AI test can improve accuracy, extend applicability to a wider range of patients, and enhance access to treatment selection tools.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google