[論文レビュー] OmniScreen model predictions and evaluation of the MSK and TCGA datasets

Yi Kan Wang, L. Trlifaj Tydlitatova+2 more|arXiv (Cornell University)|Aug 18, 2024

Genetics, Bioinformatics, and Biomedical ResearchBiochemistry, Genetics and Molecular Biology被引用数 3

ひとこと要約

本研究では、Virchow2基盤モデルに基づく統合的AIモデルであるOmniScreenを紹介する。このモデルは15種の一般的ながんにおいて、H&E全スライド画像（WSI）から505種の分子バイオマーカーを予測する。80種の高性能バイオマーカーにおいて平均AUROCが0.89に達し、組織破壊を伴わず、コスト効率の高いパニックセルスクリーニングを可能にする。

ABSTRACT

Molecular assays are standard of care for detecting genomic alterations in cancer prognosis and therapy selection but are costly, tissue-destructive and time-consuming. Artificial intelligence (AI) applied to routine hematoxylin and eosin (H&E)-stained whole slide images (WSIs) offers a fast and economical alternative for screening molecular biomarkers. We introduce OmniScreen, a high-throughput AI-based system leveraging Virchow2 embeddings extracted from 60,529 cancer patients with paired 489-gene MSK-IMPACT targeted biomarker panel and WSIs. Unlike conventional approaches that train separate models for each biomarker, OmniScreen employs a unified model to predict a broad range of clinically relevant biomarkers across cancers, including low-prevalence targets impractical to model individually. OmniScreen reliably identifies therapeutic targets and shared phenotypic features across common and rare tumors. We investigate the biomarker prediction probabilities and accuracies of OmniScreen in relation to tumor area, cohort size, histologic subtype alignment, and pathway-level morphological patterns. These findings underscore the potential of OmniScreen for routine clinical screening.

研究の動機と目的

• 通常のH&E全スライド画像（WSI）から複数の分子バイオマーカーをスクリーニングする高スループットでコスト効率の良い手法を開発し、組織破壊的で時間がかかるNGSアッセイを回避すること。
• 単一バイオマーカー用モデルの限界を克服するため、複数のがん種において多様なバイオマーカーを同時に予測可能な統合モデルを訓練すること。
• H&E WSIに由来するデジタルバイオマーカーを同定し、治療標的、DNA修復障害、ゲノム不安定性指標を含む臨床的関連性のあるゲノム変異と相関させること。
• 独立したMSKおよびTCGAコhortを用いたモデルの性能評価を通じて、多様ながん組織像およびサンプルタイプにわたる頑健性と一般化性能を示すこと。
• 患者のリスク分類の向上、臨床試験のスクリーニング、新規標的の同定を含む、より広範な臨床的および製薬的応用を可能にすること。

提案手法

• 300万枚のH&E WSIで事前学習された基礎モデルであるVirchow2を用い、全スライド画像内の224×224画素の組織タイルから2,560次元の埋め込み表現を抽出する。
• 埋め込み生成の前に、形態的関連性に基づいてタイルをフィルタリングおよび選別し、関連する組織学的領域のみを表現に使用することで品質を確保する。
• MSK-IMPACTパネルに含まれる505種の遺伝子レベルバイオマーカーに加え、経路活性およびゲノム不安定性指標を同時に予測可能な統合的マルチラベル分類ヘッドを訓練する。
• 47,960枚のH&E WSI（38,984名の患者）を用いてモデルを学習し、チューニング済みの検証セットを経て、最終評価は独立したMSKおよびTCGAテストセットで実施する。
• AUROC、感度、特異度、および陽性サンプル比の閾値を用いてモデルの性能を評価し、高性能バイオマーカーを同定する。
• 各ターゲットごとに再トレーニングを必要とせず、TMB、MSI、CIN、シグナル伝達経路活性など複数のバイオマーカーを同時に予測可能である。

実験結果

リサーチクエスチョン

• RQ1 1つの統合的ディープラーニングモデルが、複数のがん種にわたり、通常のH&E WSIから505種の臨床的関連性のある分子バイオマーカーを正確に予測できるか？
• RQ2 OmniScreenモデルの性能は、特にAUROCと感度の観点で、従来のNGSベースのアッセイと比較してどうなるか？
• RQ3 H&E画像から抽出されたデジタルバイオマーカーは、臨床的有用な標的、DNA修復障害、およびTMB や MSI などのゲノム不安定性表現型をどの程度正確に予測できるか？
• RQ4 モデルは原発性および転移性腫瘍サンプルの両方で一般化可能か？また、これらのサンプルタイプ間で性能に差は生じるか？
• RQ5 モデルはヒストパスロジカル特徴と特定のがん亜型、または治療反応マーカーとの間に新たな関連性を同定できるか？

主な発見

• 15種のがん種で最も一般的ながんにおいて、80種の高性能バイオマーカーが同定され、平均AUROCは0.89に達し、優れた予測性能を示した。
• 40種のバイオマーカーが特定の組織像亜型と強く関連しており、分子的ヘテロジェネアティの形態的相関を示した。
• 58種のバイオマーカーが治療選択および反応予測に用いられる臨床的関連性のある標的に関連しており、臨床的有用性が向上した。
• TGF-β、RTK、HRD、mTOR、DDRの5つの代表的シグナル伝達経路の活性は、15の経路および不安定性指標のうち14つでAUC >0.75を達成し、正常に予測された。
• 腫瘍変異負荷（TMB）、マイクロサイテル不安定性（MSI-H）、染色体不安定性（CIN）などのゲノム不安定性指標は、AUC >0.75で予測可能であり、免疫療法や標的療法選択への応用が有効であることを裏付けた。
• 80種のバイオマーカーについて感度（>0.8）と特異度（>0.3）が高く、少なくとも50個の陽性サンプルと陽性比率が2%以上であるため、臨床的実用性が確認された。