Attaccare direttamente i tre principali tumori solidi! Gli scienziati cinesi lanciano un sistema di apprendimento profondo per affrontare al meglio "il killer numero uno al mondo"!

Un rapporto pubblicato dall'Organizzazione Mondiale della Sanità nel 2022 ha sottolineato che le malattie non trasmissibili (NCD), come il cancro, hanno superato le malattie infettive, diventando "la causa di morte numero uno al mondo". Gli ultimi dati pubblicati dal National Cancer Center of China mostrano che nel 2022 in Cina si registreranno circa 4,8247 milioni di nuovi casi di cancro e 2,5742 milioni di nuovi decessi per cancro.

Per molto tempo la gente ha avuto paura del cancro. Ma in realtà, trattandosi di una malattia cronica, 1/3 dei tumori può essere prevenuto, 1/3 può essere curato attraverso una diagnosi precoce e un trattamento precoce, e 1/3 è incurabile ma può essere controllato attraverso un trattamento adeguato per ottenere una migliore qualità della vita e prolungare la sopravvivenza. Tra queste, la prevenzione consiste principalmente nel prestare attenzione alla salute personale migliorando la propria immunità, sottoponendosi regolarmente a esami fisici, ecc. Dopo la diagnosi di cancro, l'analisi prognostica è molto importante.

La prognosi del cancro è la previsione del possibile decorso e dell'esito della malattia nei pazienti oncologici. L'analisi prognostica contribuisce a migliorare le possibilità di sopravvivenza dei pazienti affetti da cancro. In passato, i ricercatori hanno caratterizzato il microambiente tumorale (TME) dal punto di vista dell'espressione genica spaziale basata sulla tecnologia della trascrittomica spaziale (ST) per distinguere diversi sottogruppi prognostici di pazienti affetti da cancro. Tuttavia, l'elevato costo e il lungo periodo sperimentale della ST ne ostacolano l'applicazione in ampie coorti di pazienti oncologici per la previsione della sopravvivenza. Al contrario, le immagini istologiche sono convenienti, facilmente accessibili in ambito clinico e possono fornire informazioni dettagliate sulla morfologia del tumore, il che le rende un'alternativa migliore all'analisi TME a livello molecolare e consente una prognosi del cancro più accurata.

Di recente, il gruppo di ricerca di Yu Zhangsheng (Facoltà di scienze della vita e tecnologia/Centro di ricerca clinica della Facoltà di medicina), il gruppo di ricerca di Wang Yuguang (Facoltà di scienze naturali/Facoltà di scienze matematiche) dello Shanghai National Center for Applied Mathematics (filiale dell'Università Jiao Tong di Shanghai) e i loro collaboratori hanno pubblicato un articolo intitolato "Sfruttare il TME rappresentato da immagini istologiche per migliorare la prognosi del cancro attraverso un sistema di apprendimento profondo" su Cell Reports Medicine. Questo studio ha sviluppato un sistema di apprendimento profondo in grado di prevedere informazioni sul microambiente tumorale nei pazienti oncologici privi di dati del trascrittoma spaziale attraverso immagini istopatologiche, ottenendo così una prognosi accurata del cancro.

Punti salienti della ricerca:

Previsione delle informazioni TME da immagini istopatologiche per pazienti oncologici senza dati ST

TME caratterizzato da IGI-DL migliora l'accuratezza della previsione della sopravvivenza al cancro

Amplia significativamente l'uso delle informazioni sull'espressione spaziale dei geni in grandi database pubblici di immagini di patologie biomediche

Set di dati: valutazione su 3 campioni di tessuto di tumore solido In questo studio, sono stati utilizzati 3 diversi set di dati per valutare le prestazioni del modello su tre diversi campioni di tessuto di tumore solido: cancro del colon-retto (CRC), cancro al seno e carcinoma squamocellulare cutaneo (cSCC).

Per il cancro del colon-retto, i ricercatori hanno utilizzato 41.492 punti da 10 set di dati ST di 10 pazienti con CRC del Ruijin Hospital affiliato alla Shanghai Jiao Tong University School of Medicine, che sono stati sequenziati da 10× Visium come set di convalida leave-one-patient-out, come mostrato nella tabella seguente.

Caratteristiche cliniche del set di dati CRC interno

Per il cancro al seno, i ricercatori hanno utilizzato 34.678 spot da 92 campioni di tessuto di 27 pazienti, sequenziati utilizzando la tradizionale tecnologia ST, come set di convalida leave-one-patient, come mostrato nella tabella seguente.

Riepilogo dei set di dati del trascrittoma spaziale del cancro al seno

Per il carcinoma squamocellulare cutaneo, i ricercatori hanno utilizzato 4.353 spot da 12 campioni di tessuto di quattro pazienti, sequenziati utilizzando la tradizionale tecnologia ST come set di convalida leave-one-patient, come mostrato nella tabella seguente.

Riepilogo dei set di dati del trascrittoma spaziale cSCC

Architettura del modello: un nuovo sistema di apprendimento profondo migliora la prognosi del cancro In questo studio, i ricercatori hanno sviluppato un sistema di apprendimento profondo in grado di migliorare la prognosi del cancro utilizzando l'TME rappresentato nelle immagini istologiche.

Il sistema di apprendimento profondo è costituito da due parti

Il sistema è composto da due parti:

La prima parte (Connessione 1 nella figura sopra) è un modello basato sull'apprendimento profondo integrato di grafici e immagini (IGI-DL), che utilizza reti neurali convoluzionali e reti neurali grafiche per proiettare immagini istologiche colorate con H&E nello spazio di espressione genica.

Nella seconda parte (connessione 2 nella figura sopra), i ricercatori hanno utilizzato il grafico super-patch e l'IGI-DL hanno previsto l'espressione genica spaziale come caratteristiche del nodo nella coorte del cancro del colon-retto e nella coorte del cancro al seno nel set di dati Cancer Genome Atlas (TCGA) per prevedere la prognosi, per poi verificarla nel set di test esterno MCO-CRC (Molecular and Cellular Oncology colorectal cancer).

Il flusso di lavoro di un sistema di apprendimento profondo

Nello specifico, la costruzione del sistema comprende tre fasi: pre-elaborazione dell'immagine istologica colorata con H&E, modello di previsione dell'espressione genica spaziale e modello di sopravvivenza del grafico super-patch dell'espressione genica spaziale basato sulla previsione.

Pre-elaborazione delle immagini istologiche colorate con H&E:

Innanzitutto, ogni immagine istologica colorata con H&E è stata segmentata in più patch non sovrapposte di 200 × 200 pixel con una risoluzione di 0,5 μm/pixel in base alle coordinate di ciascun punto;

Modello di previsione dell'espressione genica spaziale:

Per ogni patch, i ricercatori hanno costruito un Nuclei-Graph, in cui ogni nucleo segmentato da Hover-Net24 era rappresentato come un nodo e la distanza tra ciascuna coppia di nuclei determinava se esisteva una connessione di bordo. Sulla base dell'architettura mostrata nella Figura C sopra, i ricercatori hanno utilizzato il modello IGI-DL per prevedere l'espressione dei geni bersaglio in ogni punto dell'immagine istologica.

Modello di sopravvivenza del grafico super-patch basato sull'espressione genica spaziale prevista:

Per prevedere ulteriormente la prognosi in base al TME delineato dall'espressione genica spaziale, i ricercatori hanno costruito un grafico super-patch a partire dall'imaging dell'intero vetrino colorato con H&E (WSI) di ciascun paziente affetto da cancro, e poi hanno costruito un modello di previsione della sopravvivenza basato su grafici utilizzando il grafico super-patch costruito e le caratteristiche cliniche come input.

Risultati della ricerca: il modello IGI-DL funziona bene nel complesso

Nel complesso, il modello IGI-DL costruito in questo studio integra i vantaggi delle reti neurali convoluzionali e delle reti neurali grafiche, sfruttando appieno l'intensità dei pixel e le caratteristiche strutturali nelle immagini istopatologiche per ottenere una previsione più accurata dei livelli di espressione spaziale dei geni. Il modello ha funzionato bene in tre tipi di tumori solidi: cancro del colon-retto, cancro al seno e carcinoma squamocellulare cutaneo, con un miglioramento medio del coefficiente di correlazione pari a 0,171 rispetto ai cinque metodi esistenti.

Prestazioni predittive e visualizzazione dell'espressione genica spaziale nel CRC utilizzando IGI-DL

Per il cancro del colon-retto, i ricercatori hanno confrontato la correlazione di Pearson di 179 geni prevista da IGI-DL con 5 modelli SOTA. IGI-DL ha raggiunto una correlazione di Pearson media di 0,343 in 10 pazienti mantenuti, superando significativamente gli altri modelli con un aumento medio di 0,233, come mostrato nella figura sopra.

Prestazioni predittive e visualizzazione dell'espressione genica spaziale nel cancro al seno utilizzando IGI-DL

Per il cancro al seno, i ricercatori hanno confrontato le correlazioni di Pearson di 187 geni previste dall'IGI-DL con il modello precedente, e l'IGI-DL ha raggiunto una correlazione media di 0,231 nelle 27 pazienti mantenute. Come mostrato nella figura sopra, il modello IGI-DL supera tutti i modelli SOTA con un miglioramento medio dello 0,142.

Prestazioni predittive e visualizzazione dell'espressione genica spaziale nel cSCC utilizzando IGI-DL

Per il carcinoma squamocellulare cutaneo, i ricercatori hanno confrontato la correlazione di Pearson di 487 geni prevista da IGI-DL con modelli precedenti. IGI-DL ha ottenuto una correlazione media pari a 0,198 nei quattro pazienti trattenuti, la migliore prestazione tra tutti i modelli, e un miglioramento medio delle prestazioni pari a 0,131 rispetto ad altri modelli SOTA, come mostrato nella figura sopra.

In termini di prestazioni multipiattaforma e multi-cancro, come mostrato negli esperimenti di cui sopra, per la convalida interna e i set di test esterni di diversi tipi di cancro, il miglior modello SOTA non è fisso, ma le prestazioni del modello IGI-DL sono sempre migliori rispetto ad altri modelli, con un miglioramento medio di 0,171, dimostrando una buona capacità di generalizzazione multipiattaforma.

Inoltre, i ricercatori hanno studiato le prestazioni di previsione del cancro incrociato dell'IGI-DL e il suo modello addestrato sul cancro del colon-retto ha funzionato bene nei set di convalida interna e di test esterni del carcinoma squamocellulare cutaneo, con correlazioni medie rispettivamente di 0,204 e 0,143. Tuttavia, la maggior parte delle prestazioni di previsione dei tumori incrociati sono state inferiori rispetto a quelle ottenute con l'addestramento e il test su un singolo tipo di cancro. Questo risultato suggerisce che l'espressione genica spaziale nelle regioni tumorali ha una certa specificità del cancro e che vi sono difficoltà intrinseche nella previsione dei tumori incrociati.

Prestazioni predittive di diversi modelli di sopravvivenza per il cancro al seno e al colon TCGA

Per quanto riguarda le prestazioni di previsione prognostica, nella coorte del Cancer Genome Atlas Breast Cancer (TCGA-BRCA), il modello di sopravvivenza del grafico super-patch basato sull'espressione genica spaziale come caratteristiche del nodo può raggiungere un indice di coerenza medio (indice C) di 0,747 nella convalida incrociata a 5 livelli; nella coorte del Cancer Genome Atlas Colorectal Cancer (TCGA-CRC), il modello di sopravvivenza ha un indice C di 0,725 nella convalida incrociata a 5 livelli, che è migliore rispetto ad altri modelli prognostici, come mostrato nella figura sopra.

Questo modello prognostico di sopravvivenza mantiene inoltre il suo vantaggio in termini di accuratezza nel predire la prognosi dei pazienti in fase iniziale (stadio I e II) e il punteggio di rischio previsto può essere utilizzato come indicatore prognostico indipendente per i pazienti di tutti gli stadi e per i pazienti in fase iniziale. Nel set di test esterno MCO-CRC contenente dati di oltre mille pazienti, il modello prognostico di sopravvivenza ha mantenuto un vantaggio stabile e ha avuto capacità di generalizzazione.

Prima il cancro al seno e al pancreas: sfruttare l'intelligenza artificiale per migliorare la prognosi Nella diagnosi e nel trattamento del cancro, l'analisi della prognosi del cancro può evitare efficacemente il sovratrattamento e lo spreco di risorse mediche e fornire una base scientifica al personale medico e alle loro famiglie per prendere decisioni mediche. Negli ultimi anni è diventata una delle direzioni più ambite della ricerca sul cancro.

Per migliorare la prognosi del tumore al seno, nel 2020 i ricercatori di Salesforce hanno collaborato con i medici del Lawrence J. Ellison Institute presso l'Università della California del Sud per lanciare un sistema di apprendimento automatico, ReceptorNet, il cui algoritmo è in grado di prevedere lo stato dei recettori ormonali attraverso immagini tissutali a basso costo e facilmente accessibili, un importante biomarcatore per i medici quando devono decidere il percorso terapeutico appropriato per le pazienti affette da tumore al seno. Il sistema ha raggiunto un tasso di precisione del 92 percento.

Nel febbraio 2024, i ricercatori dell'Università del Kentucky, dell'Università di Scienza e Tecnologia di Macao, dell'Università di Macao e del primo ospedale affiliato dell'Università medica di Guangzhou hanno utilizzato un modello di rete neurale per stabilire un accurato sistema di punteggio prognostico, MIRS (punteggio di rischio immunogenomico e metastasi), per le metastasi tumorali e il punteggio di rischio immunogenomico, fornendo uno strumento predittivo quasi universalmente applicabile alle pazienti con cancro al seno e offrendo una nuova direzione per le opzioni di trattamento per la popolazione affetta da cancro al seno. (Clicca qui per un rapporto dettagliato: Per combattere il tumore più diffuso al mondo, gli studiosi cinesi hanno creato il sistema di punteggio prognostico per il cancro al seno MIRS)

Inoltre, il cancro al pancreas è uno dei tumori maligni più comuni del tratto digerente e il tasso di sopravvivenza a cinque anni dalla diagnosi non supera il 10%. Un passaggio fondamentale per migliorare i tassi di sopravvivenza dei pazienti è prevedere con precisione il rischio prognostico del paziente, al fine di progettare piani di trattamento mirati. L'istopatologia è un esame di routine in oncologia che consente di analizzare le caratteristiche del tumore a livello microscopico ed è un metodo importante per valutare il rischio di progressione del tumore. Tuttavia, a causa delle grandi dimensioni delle fette e della complessa composizione dei tessuti, i risultati della valutazione sono facilmente influenzati da fattori soggettivi.

Nel 2023, un team di ricerca dell'Università di Scienze e Tecnologie dell'Informazione di Nanchino e dell'Institute of Smart Healthcare, School of Artificial Intelligence, ha pubblicato un documento di ricerca intitolato "Modello di segmentazione multi-tessuto per immagini di sezioni intere di cancro al pancreas basato su multitasking e attenzione". Il documento ha studiato la segmentazione dei tessuti di otto categorie di sezioni patologiche di cancro al pancreas e ha migliorato significativamente le prestazioni del modello introducendo un meccanismo di attenzione e progettando una struttura multi-task gerarchica e condivisa utilizzando attività ausiliarie correlate.

Il modello proposto in questo studio è stato addestrato e testato sul set di dati dell'ospedale Changhai di Shanghai e convalidato esternamente sul set di dati pubblico TCGA. I punteggi F1 sul set di test interno erano superiori a 0,97, mentre i punteggi F1 sul set di convalida esterno erano superiori a 0,92. Le prestazioni di generalizzazione sono state significativamente migliori rispetto al metodo di base.

Vale la pena sottolineare che l'intelligenza artificiale non può sostituire gli esperti in patologia, ma piuttosto funge da tecnologia diagnostica ausiliaria per rendere più comoda la diagnosi patologica e migliorare ulteriormente l'efficienza del lavoro dei patologi. In una prospettiva a lungo termine, l'intelligenza artificiale ha ancora ampi margini di sviluppo nel rilevamento di biomarcatori digitali, nell'analisi delle immagini mediche, nella previsione del decorso delle malattie e in altri settori.

Riferimenti:
1.https://news.un.org/zh/story/2018/09/1017602

2.https://mp.weixin.qq.com/s/VE68FKL6kwpO1IFsbR-LVA

3.https://ins.sjtu.edu.cn/articles/286

4.https://www.cdstm.cn/theme/khsj/khzx/khcb/202012/t20201214_1039028.html