Model AI wykrywa mutacje TP53 i przewiduje biomarkery w 32 typach nowotworów

Model sztucznej inteligencji analizujący rutynowe preparaty histopatologiczne barwione hematoksyliną i eozyną może jednocześnie rozpoznawać typ nowotworu, przewidywać status mutacji TP53, szacować poziom ekspresji RNA TP53 oraz dostarczać informacji związanych z rokowaniem. System opracowany przez naukowców związanych m.in. z Menzies Institute for Medical Research, University of Tasmania został oceniony w 32 typach guzów litych. W niezależnym zbiorze walidacyjnym obejmującym 1729 obrazów całych preparatów osiągnął AUROC 0,766 w przewidywaniu mutacji TP53.

Sztuczna inteligencja analizująca rutynowe preparaty histopatologiczne

Naukowcy opracowali model sztucznej inteligencji, który na podstawie pojedynczego rutynowego obrazu histopatologicznego całego preparatu może jednocześnie przewidywać podtyp nowotworu, określone zmiany genetyczne oraz wyniki związane z przeżyciem. W przeciwieństwie do wielu wcześniejszych rozwiązań skoncentrowanych na jednym typie nowotworu lub pojedynczym zadaniu system został zaprojektowany jako model obejmujący wiele typów nowotworów i wykonujący kilka zadań równocześnie.

Wyniki badania opublikowano w The American Journal of Pathology, wydawanym przez Elsevier. Autorzy wskazują, że ich praca pokazuje potencjał patologii obliczeniowej do łączenia informacji uzyskiwanych z rutynowej diagnostyki mikroskopowej z danymi charakterystycznymi dla onkologii molekularnej.

Histopatologia pozostaje podstawową metodą rozpoznawania większości guzów litych i określania szeregu cech prognostycznych. Sam obraz morfologiczny tkanki nie zastępuje jednak obecnie badań molekularnych oraz genomowych wykonywanych w celu identyfikacji zmian istotnych biologicznie i potencjalnie terapeutycznie.

Jednym z najważniejszych przykładów jest TP53, należący do najczęściej zmienionych genów supresorowych w nowotworach człowieka. Nieprawidłowości TP53 są związane z biologią wzrostu guza i mogą mieć znaczenie dla oporności na leczenie, dlatego dokładna charakterystyka molekularna nowotworu stanowi istotny element współczesnej onkologii precyzyjnej.

Jeden model i siedem rodzajów wyników

Współkierujący badaniem dr Alex W. Hewitt z Menzies Institute for Medical Research oraz School of Medicine, University of Tasmania zwrócił uwagę, że standardowe profilowanie molekularne mutacji TP53 może być kosztowne, a dostęp do takich badań w ośrodkach o ograniczonych zasobach oraz w regionach oddalonych od dużych centrów diagnostycznych może być utrudniony.

Zespół chciał dlatego stworzyć narzędzie, które mogłoby dostarczać patologowi dodatkowych informacji na podstawie materiału już rutynowo dostępnego w diagnostyce. Jak podkreślił Hewitt, wiele modeli głębokiego uczenia jest projektowanych zgodnie z zasadą „jeden model – jedno zadanie”. Opracowany przez jego zespół system został natomiast skonstruowany tak, aby z jednego obrazu histopatologicznego całego preparatu generować jednocześnie siedem wyników.

Wśród analizowanych parametrów znalazły się m.in.:

• status mutacji TP53,
• poziom ekspresji RNA TP53,
• typ nowotworu,
• parametry związane z przeżyciem całkowitym,
• parametry związane z czasem wolnym od progresji choroby.

Model bazował na architekturze Vision Transformer i analizował obrazy całych preparatów histopatologicznych nowotworów człowieka barwionych hematoksyliną i eozyną, czyli H&E. Jest to barwienie powszechnie wykorzystywane w codziennej diagnostyce patomorfologicznej.

Ponad 11 tys. przypadków nowotworów w zbiorze danych

Do trenowania modelu wykorzystano zbiór obejmujący ponad 11 000 przypadków pierwotnych guzów pochodzących z Pan-Cancer Atlas. Z obrazami histopatologicznymi powiązano dane dotyczące mutacji somatycznych, wyniki sekwencjonowania RNA oraz informacje kliniczne dotyczące wyników leczenia i przebiegu choroby.

Takie zestawienie pozwoliło algorytmowi uczyć się zależności pomiędzy cechami widocznymi w strukturze tkanki a informacjami molekularnymi oraz klinicznymi.

Wykrywanie mutacji TP53 i innych cech biologicznych guza

Za jeden z najważniejszych wyników autorzy uznali zdolność modelu do przewidywania statusu mutacji TP53 w wielu typach nowotworów. W niezależnym zbiorze walidacyjnym obejmującym 1729 obrazów całych preparatów uzyskano wartość AUROC 0,766 dla wykrywania mutacji TP53 w 32 typach guzów litych.

AUROC, czyli pole pod krzywą ROC, jest miarą zdolności modelu do rozróżniania dwóch klas – w tym przypadku preparatów związanych z obecnością lub brakiem określonego statusu mutacyjnego TP53. Wartość 0,5 odpowiada klasyfikacji nieróżniącej się od losowej, natomiast wartość 1,0 oznacza klasyfikację idealną.

Model wykazał również możliwość wnioskowania z obrazu całego preparatu o poziomie ekspresji RNA TP53 oraz o taksonomii nowotworu. Oznacza to, że jeden system przetwarzający standardowy obraz histopatologiczny może potencjalnie dostarczać kilku odmiennych kategorii informacji: diagnostycznych, molekularnych i prognostycznych.

Na przykładowych preparatach przedstawionych przez autorów model analizował m.in. gruczolakoraka odbytnicy, raka płaskonabłonkowego głowy i szyi, glejaka mózgu o niższym stopniu złośliwości oraz gruczolakoraka prostaty. System wskazywał obszary obrazu otrzymujące największą i najmniejszą uwagę algorytmu, a następnie generował informacje dotyczące typu nowotworu, statusu mutacji TP53, ekspresji RNA TP53 oraz parametrów związanych z przeżyciem całkowitym i czasem wolnym od progresji.

Uczenie słabo nadzorowane bez ręcznego oznaczania wszystkich obszarów

Jednym z podstawowych problemów w zastosowaniu sztucznej inteligencji do patologii cyfrowej jest ogromny rozmiar obrazów całych preparatów. Whole slide images mogą zawierać niezwykle dużą liczbę szczegółów, a ręczne oznaczanie przez eksperta wszystkich istotnych fragmentów tkanki jest czasochłonne, kosztowne i może być częściowo zależne od interpretacji osoby wykonującej adnotację.

Dlatego badacze zastosowali strategię weakly supervised learning, czyli uczenia słabo nadzorowanego.

Jak wyjaśnił dr Hewitt, etykiety molekularne, takie jak status mutacji TP53, były dostępne dla materiału analizowanego przez system, natomiast obrazy całych preparatów zawierające potencjalne informacje morfologiczne związane z TP53 nie zostały ręcznie opisane poprzez zaznaczenie wszystkich odpowiadających im obszarów tkanki.

Uczenie słabo nadzorowane pozwalało modelowi korzystać z etykiet przypisanych na poziomie preparatu oraz samodzielnie identyfikować wzorce w poszczególnych fragmentach obrazu, bez konieczności wykonywania wyczerpujących adnotacji każdego piksela lub regionu.

Możliwe znaczenie dla diagnostyki onkologicznej

Współkierujący badaniem dr Abadh K. Chaurasia z Menzies Institute for Medical Research, University of Tasmania oraz Pandani Solutions Pty Ltd. wskazał, że takie podejście mogłoby pomóc w identyfikowaniu pacjentów, u których szczególnie zasadne byłoby wykonanie potwierdzającego badania molekularnego.

Potencjalnym obszarem zastosowania jest także wstępna kwalifikacja przypadków w placówkach mających ograniczony dostęp do badań genomowych oraz dostarczanie lekarzom dodatkowego narzędzia wspomagającego podejmowanie decyzji.

Oznacza to, że wynik algorytmu wskazujący na prawdopodobieństwo mutacji TP53 nie powinien być utożsamiany z laboratoryjnym potwierdzeniem obecności określonej zmiany genetycznej. Do ostatecznej charakterystyki molekularnej nadal konieczne pozostają odpowiednio zwalidowane metody diagnostyczne.

Znaczenie prezentowanego podejścia wynika przede wszystkim z możliwości wykorzystania danych, które są już rutynowo generowane podczas diagnostyki histopatologicznej. Gdyby rozwiązania tego rodzaju zostały odpowiednio zwalidowane klinicznie, mogłyby pomagać w kierowaniu ograniczonych zasobów diagnostyki molekularnej do przypadków, w których prawdopodobieństwo wykrycia istotnej nieprawidłowości jest większe.

Według Hewitta dokładne przewidywanie cech molekularnych na podstawie rutynowych preparatów histopatologicznych może w przyszłości zwiększać ilość informacji możliwych do uzyskania z istniejących procesów diagnostycznych. Integracja zadań diagnostycznych, molekularnych i prognostycznych w jednym modelu mogłaby wspierać szerszy dostęp do narzędzi medycyny precyzyjnej.

Źródło: The American Journal of Pathology, „Predicting TP53 Biomarkers from Whole Slide Images across Human Solid Tumors Using Weakly Supervised Learning”.
DOI: https://doi.org/10.1016/j.ajpath.2026.05.008