Amerikaanse onderzoekers hebben een AI-model ontwikkeld dat tumormutaties op basis van pathologiebeelden kan voorspellen. Ze hopen met GigaPath de oncologie verder te kunnen personaliseren.
Computationele pathologie gaat volgens deskundigen een revolutie in de kankerdiagnostiek teweegbrengen. GigaPath is een open-weight AI-model dat is getraind op een grote digitale pathologiedataset van 28 Amerikaanse kankercentra met 1.384.860.229 beelden van 171.189 dia’s van biopsieën en resecties van meer dan 30.000 patiënten, die 31 belangrijke weefseltypen bestrijken.
Het voorspellen van tumormutaties op basis van pathologiebeelden kan een enorme bijdrage aan de gepersonaliseerde geneeskunde leveren, denken de onderzoekers. Daarom vergeleken ze de voorspellingen van GigaPath met 3 andere methoden, HIPT, CtransPath en REMEDIS, wat betreft het opsporen van mutaties in EGFR, FAT1, KRAS, TP53 en LRP1B bij longadenocarcinoom (lung adeno 5-gene) in het bijzonder en bij kanker in het algemeen (pan-cancer 5-gene), en het voorspellen van de tumor mutational burden (TMB).
Voor longadenocarcinoom behaalde GigaPath een gemiddelde macro area under the receiver operator characteristic (AUROC) van 0,626, waarmee het model alle concurrerende methoden overtrof. Ook wat betreft pan-cancer 5-gene presteerde GigaPath beter dan de andere methoden. Bij het voorspellen van de TMB presteerde GigaPath met een gemiddelde macro area under the precision recall curve (AUPRC) van 0,35 het beste, en een stuk beter dan de op een na best scorende methode.
Om de voortgang in digitale pathologie te versnellen, hebben de onderzoekers GigaPath volledig open-weight gemaakt, inclusief broncode en getrainde gewichten.
Bron:
Bifulco C, et al. Application of GigaPath: An open-weight billion-parameter AI foundation model based on a novel vision transformer architecture for cancer mutation prediction and TME analysis. ESMO 2024, abstract 1942O.