[논문 리뷰] OmniScreen model predictions and evaluation of the MSK and TCGA datasets

Yi Kan Wang, L. Trlifaj Tydlitatova외 2명|arXiv (Cornell University)|2024. 08. 18.

Genetics, Bioinformatics, and Biomedical ResearchBiochemistry, Genetics and Molecular Biology인용 수 3

한 줄 요약

이 연구는 Virchow2 기반 기초 모델을 바탕으로 한 통합형 AI 모델인 OmniScreen를 소개한다. 이 모델은 15种의 흔한 암에서 헬리오스 희망 전체 슬라이드 이미지(H&E WSIs)로부터 505개의 분자 생물학적 마커를 예측한다. 평균 AUROC가 0.89인 80개의 고성능 마커를 달성하며, 조직 손상 없이 고속이고 비용 효율적인 전암 종합 스크리닝을 가능하게 한다. 이는 유전체 및 표현형 생물학적 마커에 대한 스크리닝이다.

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.

연구 동기 및 목표

• 일반적인 H&E 전체 슬라이드 이미지(WSIs)에서 다수의 분자 생물학적 마커를 스크리닝하기 위한 고속, 비용 효율적인 방법을 개발함으로써 조직 파괴적이고 시간이 오래 걸리는 NGS 분석을 피하고자 한다.
• 단일 마커 모델의 한계를 극복하고, 다양한 암 유형에서 동시에 예측 가능한 통합 모델을 개발하고자 한다.
• 치료 타겟, DNA 복구 결함, 유전체 불안정성 측정치를 포함한 임상적으로 관련성이 있는 유전체 변화와 관련된 H&E WSIs 내 디지털 생물학적 마커를 식별하고자 한다.
• 독립적인 MSK 및 TCGA 코hort에서 모델 성능을 평가하여 다양한 암 조직형 및 샘플 유형에서의 강건성과 일반화 능력을 입증하고자 한다.
• 더 넓은 임상 및 제약 응용을 가능하게 하여 환자 분류 향상, 시험 스크리닝, 그리고 새로운 타겟 발견을 지원하고자 한다.

제안 방법

• 모델는 300만 장의 H&E WSIs로 사전 훈련된 기초 모델인 Virchow2를 사용하여 전체 슬라이드 이미지의 224×224 크기의 조직 타일에서 2,560차원 임bedding을 추출한다.
• 임베딩 생성 이전에 형태학적 관련성이 있는 타일만 선별하고 필터링하여, 관련 있는 조직학적 영역만을 사용하여 표현을 보장한다.
• 통합 다중 레이블 분류 헤드를 훈련시켜 MSK-IMPACT 패널의 505개 유전자 수준의 생물학적 마커, 경로 활성도, 유전체 불안정성 지표를 동시에 예측한다.
• 모델는 38,984명의 환자에서 유래한 47,960장의 H&E WSIs로 훈련되었으며, 검증은 조정된 세트에서 수행되었고, 최종 평가는 독립적인 MSK 및 TCGA 테스트 세트에서 이루어졌다.
• AUROC, 민감도, 특이도 및 양성 샘플 비율 임계값을 사용하여 모델 성능을 평가하고, 고성능 생물학적 마커를 식별한다.
• 재훈련 없이도 TMB, MSI, CIN 및 신호 전달 경로 활성도와 같은 다수의 생물학적 마커를 동시에 예측할 수 있는 접근법을 제공한다.

실험 결과

연구 질문

• RQ1 일관된 통합 딥 러닝 모델이 다양한 암 유형에서 일반적인 H&E WSIs에서 임상적으로 관련성이 높은 505개의 분자 생물학적 마커를 정확하게 예측할 수 있는가?
• RQ2 OmniScreen 모델의 성능은 기존의 NGS 기반 분석과 비교하여 알려진 유전체 변화를 예측할 때 AUROC 및 민감도 측면에서 어떻게 다른가?
• RQ3 H&E 이미지에서 유도된 디지털 생물학적 마커가 임상적으로 활용 가능한 타겟, DNA 복구 결함, 그리고 TMB 및 MSI와 같은 유전체 불안정성 표현형을 얼마나 잘 예측할 수 있는가?
• RQ4 모델은 원발성 및 전이성 종양 샘플 간에 일반화 가능한가? 그리고 이러한 샘플 유형 간 성능에 어떤 차이가 있는가?
• RQ5 모델은 조직병리학적 특징과 특정 암 아형 또는 치료 반응 마커 간의 새로운 연관성을 식별할 수 있는가?

주요 결과

• 모델은 15개의 가장 흔한 암 유형에서 평균 AUROC가 0.89인 80개의 고성능 생물학적 마커를 식별하여 강력한 예측 성능를 입증했다.
• 40개의 생물학적 마커는 특정 조직형 하위형과 강한 연관성을 보였으며, 분자 이질성의 형태학적 연관성을 시사했다.
• 58개의 생물학적 마커는 치료 선택 및 반응 예측에 사용되는 임상적으로 관련성이 높은 타겟과 연관되어 있어 임상적 유용성을 향상시켰다.
• 모델은 TGF-β, RTK, HRD, mTOR, DDR를 포함한 5개의 대표적 신호 전달 경로 활동을 성공적으로 예측하였으며, 15개의 경로 및 불안정성 측정치 중 14개의 AUC가 0.75 이상이었다.
• 유전체 불안정성 지표인 종양 돌연변이 부담(TMB), 미세소체 불안정성(MSI-H), 염색체 불안정성(CIN)은 AUC가 0.75 이상으로 예측되어 면역요법 및 타겟 요법 선택에 활용 가능함을 뒷받침했다.
• 80개의 생물학적 마커에 대해 민감도(>0.8)와 특이도(>0.3)가 높았으며, 최소 50개의 양성 샘플과 양성 비율이 2% 이상이었기에 임상 적용 가능성을 입증했다.