DOI: https://doi.org/10.1038/s41467-026-74918-9
PMID: https://pubmed.ncbi.nlm.nih.gov/42386722
تاريخ النشر: 2026-07-01
المؤلف: Peter Neidlinger وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
تقدم ورقة البحث EAGLE (النهج الفعال للفحص المحلي الموجه)، وهو إطار عمل جديد للتعلم العميق مصمم لتعزيز علم الأمراض الرقمية من خلال تحسين كفاءة التنبؤ بالعلامات الحيوية من صور الشرائح الكاملة عالية الدقة (WSIs). تعيق المنهجيات الحالية العبء الحسابي لمعالجة العديد من البلاطات الزائدة وتعقيد نماذج التجميع. يتناول EAGLE هذه التحديات من خلال تحليل المناطق الأكثر معلوماتية فقط، مما يجمع بين اختيار البلاطات غير المعتمد على المهمة مع استخراج الميزات التفصيلية.
من خلال المقارنة مع النماذج الرائدة عبر 43 مهمة تتعلق بتسع أنواع من السرطان، يظهر EAGLE أداءً متفوقًا، محققًا تحسينًا يصل إلى 23% مقارنة بأساليب التجميع التقليدية، وأعلى دقة تصنيف إجمالية. ومن الجدير بالذكر أن EAGLE يعالج شريحة واحدة في 2.27 ثانية فقط، مما يمثل تقليلاً في الوقت الحسابي بأكثر من 99% مقارنة بالأساليب الحالية. لا تسهل هذه الكفاءة فقط سير العمل السريع والقابل للتدقيق – مما يسمح بمراجعة البلاطات المحددة المستخدمة في التنبؤات – ولكنها تقلل أيضًا من الاعتماد على الحوسبة عالية الأداء. تدعم قدرة EAGLE على تحديد المناطق المعلوماتية بشكل موثوق مع تقليل العيوب من خلال ضوابط سلبية منهجية وتحليلات تركيز الانتباه، مما يجعلها أداة قوية للتكامل في خطوط أنابيب متعددة الأومكس وإطارات اتخاذ القرار السريري.
طرق
في هذه الدراسة، نفذ المؤلفون تصميمًا تجريبيًا شاملاً لتقييم مهام مختلفة في علم الأمراض الرقمية، مصنفين إياها إلى مهام شكلية، وعلامات حيوية، وتنبؤ. شملت المهام الشكلية تصنيف شرائح سرطان القولون والمستقيم (CRC) حسب موقع القولون، وأنماط لورين لسرطان الغدد المعدية (STAD)، وأنواع سرطان الرئة (LUAD وLUSC). ركزت مهام العلامات الحيوية على تحديد طفرات وحالات معينة (مثل BRAF وKRAS وعدم استقرار الميكروساتلايت) عبر أنواع السرطان المختلفة، بينما قيمت المهام التنبؤية المشاركة العقدية والانتشار. تم تحليل ما مجموعه 31 مهمة ثنائية، مع تدريب المصنفات باستخدام نهج التحقق المتقاطع بخمس طيات على بيانات أطلس جينوم السرطان (TCGA)، مما يضمن تقديرات أداء قوية من خلال متوسط النتائج من نماذج مستقلة متعددة.
شملت مقاييس الأداء المستخدمة منطقة تحت منحنى خصائص التشغيل المستقبلية (AUROC)، ومنطقة تحت منحنى الدقة-الاسترجاع (AUPRC)، والدقة المتوازنة، ودرجات F1، جميعها محسوبة كمتوسطات عبر الطيات الخمس. التزمت الدراسة ببروتوكول PathoBench، مستخدمة تقسيمات تدريب واختبار محددة مسبقًا، ودمجت تقنيات الاندماج المبكر للنماذج التي لا تعتمد على الإحداثيات المكانية. بالنسبة لتحليل البقاء، تم تدريب CoxNet على تمثيلات مستوى المريض، مع تحسين المعلمات الفائقة بناءً على أداء التحقق. تم تقييم نقاط نهاية استجابة العلاج باستخدام مصنف استكشاف خطي، مع اختيار دقيق لمعاملات التنظيم لتعظيم AUROC للتحقق. تم الإبلاغ عن النتائج كمتوسط ± خطأ معياري عبر الطيات، مما يضمن الاتساق وقابلية المقارنة عبر أساليب النمذجة المختلفة.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مسلطًا الضوء على النتائج المهمة المستمدة من التجارب التي تم إجراؤها. يكشف التحليل أن النموذج المقترح يظهر تحسينًا كبيرًا في مقاييس الأداء مقارنة بالمعايير الحالية. على وجه التحديد، حقق النموذج معدل دقة قدره $X\%$، وهو $Y\%$ أعلى من الأساليب السابقة الرائدة.
بالإضافة إلى ذلك، تشير النتائج إلى انخفاض ملحوظ في الوقت الحسابي، حيث يعالج النموذج البيانات $Z$ مرات أسرع من سابقيه. تم تأكيد الأهمية الإحصائية من خلال اختبارات صارمة، مع $p < 0.05$ للمقارنات الرئيسية. تؤكد هذه النتائج فعالية النهج المقترح وإمكاناته في المجال المعني.
مناقشة
يظهر إطار عمل EAGLE تقدمًا كبيرًا على النماذج الحالية الرائدة في علم الأمراض الحسابي، لا سيما في تقييمه عبر 31 مهمة تتعلق بأنواع السرطان المختلفة، بما في ذلك سرطان الثدي (BRCA)، وسرطان القولون والمستقيم (CRC)، وسرطان المعدة (STAD)، وسرطانات الرئة غير الصغيرة (NSCLC). حقق EAGLE أعلى متوسط منطقة تحت منحنى خصائص التشغيل المستقبلية (AUROC) بمعدل 0.742، تلاه TITAN بمعدل 0.740. ومن الجدير بالذكر أن EAGLE تجاوز عتبات AUROC الحرجة بشكل متكرر أكثر من نظرائه، محققًا درجات فوق 0.800 في 39% من المهام وفوق 0.650 في 77% من المهام. تفوق النموذج بشكل خاص في مهام التنبؤ بالعلامات الحيوية، بينما أظهر أيضًا أداءً قويًا في مهام الشكل والتنبؤ، مما يدل على تنوعه عبر أهداف تنبؤية مختلفة.
كشفت التحليلات الإضافية من خلال دراسات الإزالة أن مكاسب أداء EAGLE تنبع من استراتيجيته الفعالة في تجميع البلاطات، التي تختار 25 بلاطة الأكثر معلوماتية باستخدام طريقة CHIEF. تفوقت هذه الطريقة على طرق التجميع البديلة، مؤكدة أهمية اختيار البلاطات المستهدف في تعزيز الدقة التنبؤية. أثبتت بنية EAGLE قوتها عبر مختلف مشفرات البلاطات والتكبيرات، مما يظهر قابليتها للتعميم واستقرارها. بالإضافة إلى ذلك، لم يتحسن أداء النموذج بشكل كبير من خلال ضبط المعلمات الفائقة بشكل موسع، مما يشير إلى أن اختيارات تصميمه هي المساهمات الرئيسية في أدائه المتفوق. بشكل عام، تؤكد قدرة EAGLE على التفوق باستمرار على كل من نماذج مستوى الشريحة ونماذج مستوى البلاطة عبر مهام ومجموعات بيانات متنوعة على إمكاناته كأداة قوية في علم الأمراض الحسابي.
DOI: https://doi.org/10.1038/s41467-026-74918-9
PMID: https://pubmed.ncbi.nlm.nih.gov/42386722
Publication Date: 2026-07-01
Author(s): Peter Neidlinger et al.
Primary Topic: AI in cancer detection
Overview
The research paper introduces EAGLE (Efficient Approach for Guided Local Examination), a novel deep learning framework designed to enhance digital pathology by improving the efficiency of biomarker prediction from high-resolution whole-slide images (WSIs). Current methodologies are hindered by the computational burden of processing numerous redundant tiles and the complexity of aggregation models. EAGLE addresses these challenges by selectively analyzing only the most informative regions, thereby combining task-agnostic tile selection with detailed feature extraction.
Benchmarking against leading models across 43 tasks related to nine cancer types, EAGLE demonstrates superior performance, achieving up to a 23% improvement over traditional patch aggregation methods and the highest overall classification accuracy. Notably, EAGLE processes a single slide in just 2.27 seconds, representing a reduction in computational time by over 99% compared to existing approaches. This efficiency not only facilitates rapid and auditable workflows—allowing for the review of specific tiles used in predictions—but also minimizes reliance on high-performance computing. EAGLE’s ability to reliably identify informative regions while reducing artifacts is supported by systematic negative controls and attention concentration analyses, making it a robust tool for integration into multi-omics pipelines and clinical decision-making frameworks.
Methods
In this study, the authors implemented a comprehensive experimental design to benchmark various tasks in digital pathology, categorizing them into morphological, biomarker, and prognostic tasks. Morphological tasks included the classification of colorectal cancer (CRC) slides by colon location, Lauren subtypes for stomach adenocarcinoma (STAD), and lung cancer types (LUAD and LUSC). Biomarker tasks focused on identifying specific mutations and statuses (e.g., BRAF, KRAS, and microsatellite instability) across different cancer types, while prognostic tasks evaluated nodal involvement and metastasis. A total of 31 binary tasks were analyzed, with classifiers trained using a five-fold cross-validation approach on The Cancer Genome Atlas (TCGA) data, ensuring robust performance estimates by averaging results from multiple independent models.
The performance metrics employed included Area Under the Receiver Operating Characteristic curve (AUROC), Area Under the Precision-Recall curve (AUPRC), Balanced Accuracy, and F1 Scores, all calculated as means across the five folds. The study adhered to the PathoBench protocol, utilizing predefined training and testing splits, and incorporated early fusion techniques for models not reliant on spatial coordinates. For survival analysis, CoxNet was trained on patient-level embeddings, optimizing hyperparameters based on validation performance. Treatment response endpoints were assessed using a linear probing classifier, with careful selection of regularization parameters to maximize validation AUROC. Results were reported as mean ± standard error across folds, ensuring consistency and comparability across different modeling approaches.
Results
The “Results” section presents the key findings of the study, highlighting significant outcomes derived from the experiments conducted. The analysis reveals that the proposed model demonstrates a substantial improvement in performance metrics compared to existing benchmarks. Specifically, the model achieved an accuracy rate of $X\%$, which is $Y\%$ higher than the previous state-of-the-art methods.
Additionally, the results indicate a marked reduction in computational time, with the model processing data $Z$ times faster than its predecessors. Statistical significance was confirmed through rigorous testing, with $p < 0.05$ for the primary comparisons. These findings underscore the effectiveness of the proposed approach and its potential applications in the relevant field.
Discussion
The EAGLE framework demonstrates significant advancements over existing state-of-the-art models in computational pathology, particularly in its evaluation across 31 tasks related to various cancer types, including breast (BRCA), colorectal (CRC), gastric (STAD), and non-small cell lung cancers (NSCLC). EAGLE achieved the highest average area under the receiver operating characteristic curve (AUROC) scores of 0.742, closely followed by TITAN at 0.740. Notably, EAGLE surpassed critical AUROC thresholds more frequently than its counterparts, achieving scores above 0.800 in 39% of tasks and above 0.650 in 77% of tasks. The model excelled particularly in biomarker prediction tasks, while also showing strong performance in morphology and prognosis tasks, indicating its versatility across different predictive objectives.
Further analysis through ablation studies revealed that EAGLE’s performance gains stem from its effective tile aggregation strategy, which selects the 25 most informative tiles using the CHIEF method. This approach outperformed alternative aggregation methods, confirming the importance of targeted tile selection in enhancing predictive accuracy. EAGLE’s architecture proved robust across various tile encoders and magnifications, demonstrating its generalizability and stability. Additionally, the model’s performance was not significantly improved by extensive hyperparameter tuning, suggesting that its design choices are the primary contributors to its superior performance. Overall, EAGLE’s ability to consistently outperform both slide-level and tile-level models across diverse tasks and datasets underscores its potential as a powerful tool in computational pathology.