2021年5月7日 訊 /生物谷BIOON/ --原發(fā)不明癌癥（CUP,，Cancer of unknown primary）是一組非常神秘的癌癥診斷形式,，即腫瘤起源的主要原發(fā)性位點(diǎn)并不能被確定，這對(duì)于科學(xué)家們而言是一項(xiàng)巨大的挑戰(zhàn),，因?yàn)楝F(xiàn)代的治療方法主要針對(duì)原發(fā)性腫瘤,；最近的研究集中在使用基因組學(xué)和轉(zhuǎn)錄組學(xué)來識(shí)別腫瘤的起源；然而基因組的檢測(cè)并不總是能奏效,，而且在較低資源環(huán)境中缺乏一定的臨床滲透性,。

圖片來源：https://www.nature.com/articles/s41586-021-03512-4

為了改善復(fù)雜轉(zhuǎn)移性癌癥患者的診斷，日前,，一篇發(fā)表在國際雜志Nature上題為“AI-based pathology predicts origins for cancers of unknown primary”的研究報(bào)告中,，來自哈佛醫(yī)學(xué)院等機(jī)構(gòu)的科學(xué)家們通過研究開發(fā)出了一種人工智能系統(tǒng)，其能利用常規(guī)獲得的組織學(xué)切片來準(zhǔn)確尋找轉(zhuǎn)移性腫瘤的起源,，同時(shí)還能產(chǎn)生一種“鑒別診斷”策略,，用于對(duì)原發(fā)性不明癌癥患者進(jìn)行診斷。

在1%-2%的癌癥病例中,，研究人員無法確定腫瘤起源的原發(fā)性位點(diǎn),，由于很多現(xiàn)代癌癥療法都會(huì)靶向作用原發(fā)性腫瘤，針對(duì)原發(fā)不明癌癥的診斷技術(shù)往往相對(duì)缺乏,，而且患者的中位總生存期僅為2.7-16個(gè)月,，為了能夠進(jìn)行更為具體的診斷，癌癥患者通常必須接受廣泛的診斷,，其中包括額外的實(shí)驗(yàn)室檢測(cè),、活組織檢查和內(nèi)窺鏡檢查程序,，這無疑中就會(huì)延誤患者的治療。

這項(xiàng)研究中,，研究人員開發(fā)的人工智能系統(tǒng)就能夠幫助改善復(fù)雜轉(zhuǎn)移性癌癥患者的診斷,，尤其是在低水平資源的地區(qū)；其能利用常規(guī)獲得的組織切片來尋找轉(zhuǎn)移性腫瘤的起源,，同時(shí)還能針對(duì)原發(fā)不明原因的癌癥患者產(chǎn)生一種鑒別診斷策略。文章通訊作者Faisal Mahmood指出,，幾乎每一名接受癌癥診斷的患者都會(huì)有一張組織學(xué)切片,，這在一百多年來一直是診斷的標(biāo)準(zhǔn)，本文研究就為科學(xué)家們提供了一種方法來利用普遍獲得的數(shù)據(jù)和人工智能的強(qiáng)大力量,，幫助改善這些通常需要大量診斷工作的復(fù)雜癌癥病例的診斷,。

研究人員所開發(fā)的這種基于深度學(xué)習(xí)的算法被稱之為TOAD 算法（基于深度學(xué)習(xí)的腫瘤起源評(píng)估，Tumor Origin Assessment via Deep Learning）能同時(shí)識(shí)別腫瘤到底是原發(fā)性的還是轉(zhuǎn)移性的,，還能預(yù)測(cè)其起源的位點(diǎn),。研究人員利用來自超過2.2萬名癌癥病例的腫瘤千兆像素病例學(xué)全切片來訓(xùn)練這種模型，隨后在大約6500個(gè)已知的原發(fā)病例中檢測(cè)TOAD算法,，并分析越來越復(fù)雜的轉(zhuǎn)移性癌癥病例,，以此來建立針對(duì)原發(fā)不明癌癥的人工智能模型。對(duì)于已知原發(fā)性起源的腫瘤而言,，該模型能準(zhǔn)確地在83%的時(shí)間里正確識(shí)別癌癥,，并在96%的時(shí)間里將診斷列入前三名的預(yù)測(cè)結(jié)果中。隨后研究人員在317例原發(fā)不明癌癥病例中檢測(cè)了該模型,，并對(duì)病例進(jìn)行了鑒別診斷,，結(jié)果發(fā)現(xiàn)，TOAD診斷在61%的時(shí)間里與病理學(xué)家的報(bào)告一致,，在82%的病例中與前三名預(yù)測(cè)結(jié)果一致,。

圖片來源：CC0 Public Domain

TOAD算法的表現(xiàn)與最近幾項(xiàng)使用基因組數(shù)據(jù)來預(yù)測(cè)腫瘤起源的研究報(bào)告的表現(xiàn)基本相當(dāng)；盡管基于基因組的人工智能技術(shù)能提供一種可選擇的方法來輔助進(jìn)行癌癥診斷,，但基因組檢測(cè)并不總是能在患者機(jī)體中發(fā)揮作用,，尤其是在低水平資源的地區(qū)。為此研究人員希望能繼續(xù)在更多病例中訓(xùn)練這種基于組織學(xué)的模型,，并參與到更多臨床試驗(yàn)中來確定是否這種新算法能夠幫助改善癌癥的診斷能力和患者的預(yù)后預(yù)測(cè),。

這種新型模型的頂級(jí)預(yù)測(cè)能力能通過減少需要輔助測(cè)試的數(shù)量、減少額外的組織采樣以及診斷病人所需的總體時(shí)間來加速疾病的診斷和后續(xù)的治療,，而這或許是漫長又有壓力的,；前三名的預(yù)測(cè)結(jié)果或能用來指導(dǎo)病理學(xué)家的下一步工作，而在缺乏病例學(xué)專業(yè)知識(shí)的環(huán)境中,，最高的預(yù)測(cè)或許能被潛在用來指定進(jìn)行鑒別診斷,；本文研究結(jié)果只是使用全切片圖像來進(jìn)行人工智能輔助的癌癥起源預(yù)測(cè)的第一步,，當(dāng)然這也是一項(xiàng)令科學(xué)家們非常興奮的研究領(lǐng)域，未來或有望讓診斷過程標(biāo)準(zhǔn)化并改善當(dāng)前的癌癥診斷策略,。

綜上,，TOAD算法或能作為一種輔助診斷工具來用于針對(duì)復(fù)雜的轉(zhuǎn)移性腫瘤和原發(fā)不明癌癥類型進(jìn)行鑒別診斷，并能與輔助檢查和廣泛的診斷檢查聯(lián)合使用來減少原發(fā)不明癌癥的發(fā)生率,。（生物谷Bioon.com）

原始出處：

Lu, M.Y., Chen, T.Y., Williamson, D.F.K. et al. AI-based pathology predicts origins for cancers of unknown primary. Nature (2021). doi：10.1038/s41586-021-03512-4