2024年12月12日，費城消息——研究人員成功開發了一種深度學習模型，利用組織病理學圖像將胰腺導管腺癌（PDAC）（最常見的胰腺癌形式）分類為分子亞型。這種方法實現了高精度，并提供了一種快速、經濟的替代方法，以依賴于昂貴的分子分析。愛思唯爾發表在《美國病理學雜志》上的這項新研究有望推進個性化治療策略，改善患者的治療效果。

　　在加拿大和美國，前列腺癌最近已經超過乳腺癌，成為導致癌癥死亡的第三大原因。如果早期發現，手術可以治愈大約五分之一的PDAC病例。盡管對這些患者進行了手術干預，但5年生存率仍為20%。大約80%的患者在診斷時已經發展為轉移性疾病，其中大多數患者在一年內死于疾病。

　　當使用測序技術確定患者護理計劃時，PDAC的侵略性提出了一個巨大的挑戰。該疾病的快速臨床惡化要求迅速采取行動，確定符合條件的個體進行靶向治療并納入臨床試驗。然而，目前分子分析的周轉時間從活檢開始的19天到52天不等，無法滿足這些對時間敏感的要求。

　　聯合首席研究員David Schaeffer，醫學博士，不列顛哥倫比亞大學病理學和檢驗醫學系，溫哥華總醫院和不列顛哥倫比亞省胰腺中心，解釋說：“越來越多的潛在可操作的胰腺癌患者個性化治療亞型正在被發現。然而，亞型仍然完全基于基于從組織中提取的DNA和RNA的基因組方法。如果有足夠的組織存在，這種方法是突出的，但由于PDAC腫瘤的解剖位置困難，這種情況并不總是如此。我們的研究為基于常規蘇木精-伊紅染色載玻片的PDAC分子亞型分類提供了一種有前景的經濟有效的方法，有可能導致更有效的臨床治療這種疾病。”

　　該研究涉及使用蘇木精和伊紅（H&E）染色的載玻片，在整片病理圖像上訓練深度學習AI模型，以識別pdac的分子亞型-基底樣和經典型。H&E染色是一種具有成本效益且廣泛可用的技術，在病理實驗室中用于診斷和預測的常規操作周轉時間短。這些模型在來自癌癥基因組圖譜（TCGA）的97張載玻片上進行了訓練，并在來自當地隊列的44名患者的110張載玻片上進行了測試。表現最好的模型在TCGA數據集中識別經典亞型和基礎亞型的準確率為96.19%，在本地隊列中識別準確率為83.03%，突出了其在不同數據集上的穩健性。

　　聯合首席研究員、英屬哥倫比亞大學生物醫學工程學院、病理學和檢驗醫學系的Ali Bashashati博士指出：“該模型的靈敏度和特異性分別為85%和100%，這使得該人工智能工具非常適用于對患者進行分子檢測的分類。此外，這項研究的主要成果是人工智能模型能夠從活檢圖像中檢測出亞型，使其成為一種非常有用的工具，可以在診斷時部署。”

　　Bashashati博士總結道：“這種基于人工智能的方法在胰腺癌診斷方面取得了令人興奮的進展，使我們能夠快速、經濟地識別關鍵的分子亞型。”

　　---