[論文レビュー] Multi-modal AI for comprehensive breast cancer prognostication

Jan Witowski, Ke‐Wu Zeng+49 more|arXiv (Cornell University)|Oct 28, 2024

AI in cancer detection被引用数 4

ひとこと要約

本研究では、デジタル病理画像と臨床データを統合するマルチモーダルAIモデルを提案し、乳がんの再発予測を向上させる。全切片画像にビジョントランスフォーマー基盤モデルを適用し、臨床変数と組み合わせたAIは外部検証でC-index 0.71を達成し、Oncotype DX（C-index 0.61）を上回り、HR+、TNBCを含む主なサブタイプすべてにおいて独立した予後予測価値を示した。

ABSTRACT

Treatment selection in breast cancer is guided by molecular subtypes and clinical characteristics. However, current tools including genomic assays lack the accuracy required for optimal clinical decision-making. We developed a novel artificial intelligence (AI)-based approach that integrates digital pathology images with clinical data, providing a more robust and effective method for predicting the risk of cancer recurrence in breast cancer patients. Specifically, we utilized a vision transformer 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 female 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 evaluation cohorts (C-index: 0.71 [0.68-0.75], HR: 3.63 [3.02-4.37, p<0.001]). In a direct comparison (n=858), the AI test was more accurate than Oncotype DX, the standard-of-care 21-gene assay, achieving a C-index of 0.67 [0.61-0.74] versus 0.61 [0.49-0.73], respectively. Additionally, the AI test added independent prognostic information to Oncotype DX in a multivariate analysis (HR: 3.11 [1.91-5.09, p<0.001)]). The test demonstrated robust accuracy across major molecular 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 improves upon the accuracy of existing prognostic tests, while being applicable to a wider range of patients.

研究の動機と目的

• デジタル病理学および臨床データを統合する包括的でマルチモーダルなAIシステムを、乳がんの予後予測に開発すること。
• 現在の遺伝子サブタイピングアッセイの制限を克服すること。これらのアッセイはHR+患者に限定されており、精度は限定的である。
• TNBCを含むすべての乳がんサブタイプにおいて、再発リスク予測を改善すること。TNBCには標準的な診断ツールが存在しない。
• 日常的に入手可能な臨床および組織病理学的データを統合することで、スケーラブルでアクセス可能なツールを提供し、個別化された治療意思決定を支援すること。
• 多様で国際的な患者コhortを対象とした独立外部検証を通じて、モデルの頑健性と一般化性能を検証すること。

提案手法

• 40000万枚の病理画像パッチを含むパントランスケールデータセットを用いて、自己教師付き学習により事前学習されたビジョントランスフォーマー基盤モデル、Kestrelを採用。
• 全切片画像をKestrelで埋め込み、パッチレベル特徴量を平均/最大プーリングおよびゲーテッドアテンションを用いた複数インスタンス学習（MIL）により集約し、時間に伴うイベント予測に用いる。
• 生存時間予測にはコックス比例ハザードモデルおよび離散時間生存モデルを用い、過学習を防ぐためにL1/L2正則化損失関数を適用。
• 臨床変数（例：年齢、ER/PR/HER2状態、T/Nステージ）は、AFT損失関数と3つの分布仮定（正規、ロジスティック、極値分布）を用いたCatBoostで処理。
• 病理学的および臨床的埋め込みを連結し、6カ国で10のコhortから得た4,659例の患者データで学習された最終的なマルチモーダルリスクスコアモデルに投入。
• モデルの性能は、米国、ヨーロッパ、アジアを含む5つの独立コhortから得た3,502例の患者を用いて評価され、外部検証およびOncotype DXとの直接比較が実施された。

実験結果

リサーチクエスチョン

• RQ1 デジタル病理画像と臨床データを統合するマルチモーダルAIモデルは、現在の標準的治療法である遺伝子サブタイピングアッセイと比較して、乳がんの再発リスク予測を改善できるか？
• RQ2 AIモデルは、Oncotype DXを含む既存の臨床的および遺伝子的要因に基づく予後予測に加えて、独立した予後予測価値を提供するか？
• RQ3 TNBCのように標準的な予後ツールが存在しない状況において、多様な集団および乳がんサブタイプに一般化可能か？
• RQ4 AIモデルの性能は、C-index（判別能）および再発のハザード比という観点で、Oncotype DXと比較してどのように異なるか？
• RQ5 大規模な病理学的データセットを用いた自己教師付き事前学習は、特徴抽出および下流の予後予測性能を向上させるか？

主な発見

• マルチモーダルAIモデルは、5つの外部検証コホートにおいて、疾患非発症期間予測でC-index 0.71（95%CI: 0.68–0.75）を達成し、優れた判別性能を示した。
• Oncotype DX（N=858）との直接比較では、AIモデルが標準的治療法アッセイを上回り、C-indexは0.67（0.61–0.74）対0.61（0.49–0.73）を記録した。
• 多変量解析において、AIモデルはOncotype DXに加えて独立した予後予測情報を提供した。高リスク対低リスク患者のハザード比は3.11（95%CI: 1.91–5.09、p<0.01）であった。
• TNBCを含む主なサブタイプすべてで高い性能を維持した。C-indexは0.71（0.62–0.81）、再発のハザード比は3.81（2.35–6.17、p=0.02）を記録した。
• 米国、ヨーロッパ、アジアの複数のデータセットで一貫した性能を示し、モデルの頑健性と一般化性能を裏付けた。
• 自己教師付き病理学的表現学習と臨床データの統合により、特にTNBCのような未十分にカバーされているサブタイプにおいて、リスク分類の精度が顕著に向上した。