DOI: https://doi.org/10.1038/s41392-025-02374-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40897689
تاريخ النشر: 2025-09-02
المؤلف: Wei Qi Yuan وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
تقدم البحث PROGPATH، وهو نموذج موحد جديد مصمم للتنبؤ بتوقعات السرطان الشامل من خلال دمج ميزات الصور النسيجية مع المتغيرات السريرية التي يتم جمعها بشكل روتيني. تتناول هذه الطريقة قيود النماذج الخاصة بالسرطان الموجودة، والتي غالبًا ما تفتقر إلى التحقق الخارجي الواسع وتعتمد على بيانات جزيئية قد لا تكون متاحة بسهولة في الإعدادات السريرية. يستخدم PROGPATH بنية تعلم عميق تحت إشراف ضعيف، ويشمل وحدة تعلم متعددة الحالات موجهة بالانتباه لتجميع الميزات الشكلية ومحول انتباه متقاطع لدمج المعلومات السريرية.
تم تدريب PROGPATH على 7,999 صورة شريحة كاملة (WSIs) من 6,670 مريضًا عبر 15 نوعًا من السرطان، وخضع للتحقق الواسع على 17 مجموعة خارجية تضم 7,374 صورة شريحة كاملة من 4,441 مريضًا عبر 12 نوعًا من السرطان. أظهر النموذج أداءً متفوقًا مقارنةً بأحدث نماذج التنبؤ بتوقعات متعددة الوسائط، مما يظهر قوة عمومية وموثوقية عبر مجموعات فرعية مختلفة من المرضى، بما في ذلك أولئك في مراحل مرضية مختلفة ومجموعات علاجية. بالإضافة إلى ذلك، يوفر PROGPATH قابلية التفسير من خلال تحديد الأنماط المرضية الحرجة التي تؤثر على توقعات المخاطر، مثل تمايز الخلايا ومدى النخر. تؤكد هذه النتائج على إمكانية PROGPATH في تعزيز توقعات نتائج السرطان وإبلاغ استراتيجيات العلاج الشخصية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التحدي الصحي العالمي الكبير الذي تسببه السرطان، مع الإبلاغ عن حوالي 20 مليون حالة جديدة و9.7 مليون وفاة في عام 2022. تكافح الأنظمة التقليدية للتنبؤ، مثل تصنيف الورم-العقدة-النقيلة (TNM)، لمراعاة التباين بين المرضى، بينما تواجه العلامات الحيوية الجزيئية، على الرغم من وعدها، قيودًا تتعلق بالتكلفة والوصول. نتيجة لذلك، هناك حاجة ملحة لطرق تقييم تنبؤية أكثر دقة وقابلية للتوسع لتعزيز العلاج الشخصي وتحسين معدلات البقاء على قيد الحياة عبر أنواع السرطان المختلفة.
تناقش الورقة إمكانيات علم الأمراض الحسابي، وخاصة من خلال رقمنة شرائح علم الأمراض النسيجية والتقدم في الذكاء الاصطناعي (AI)، لتحويل توقعات السرطان. من خلال استخراج الميزات ذات الصلة من صور الشرائح الكاملة (WSIs)، يمكن أن تعمل نماذج الذكاء الاصطناعي كبدائل فعالة من حيث التكلفة للاختبارات الجزيئية التقليدية. يقدم المؤلفون PROGPATH، وهو نموذج موحد لتوقعات السرطان الشامل يدمج الميزات النسيجية مع البيانات السريرية التي يتم جمعها بشكل روتيني. يستخدم PROGPATH نهجًا جديدًا يركز على المناطق المعلوماتية داخل الشرائح ويستخدم استراتيجية اتخاذ قرارات مرنة للتكيف مع أنواع السرطان المختلفة. تم تطويره باستخدام مجموعة بيانات كبيرة تضم 7999 شريحة من 6670 مريضًا عبر 15 نوعًا من السرطان، وقد تم التحقق من PROGPATH على 17 مجموعة خارجية، مما يظهر أداءً متفوقًا مقارنةً بالطرق الحالية والمعايير ذات الوسائط الفردية.
طرق
تحدد قسم الطرق تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث استخدموا طرقًا إحصائية لتحليل البيانات المجمعة من عينة سكانية. تم قياس المتغيرات الرئيسية باستخدام أدوات موحدة، مما يضمن موثوقية وصلاحية النتائج.
شمل تحليل البيانات تطبيق نماذج الانحدار لتحديد العلاقات بين المتغيرات المستقلة والتابعة. تم تقييم أهمية النتائج باستخدام قيم p، مع تحديد حد عند p < 0.05. بالإضافة إلى ذلك، تضمنت الدراسة تدابير تحكم لأخذ عوامل التداخل المحتملة في الاعتبار، مما يعزز من قوة الاستنتاجات المستخلصة من التحليل. بشكل عام، أسست الإطار المنهجي قاعدة صلبة للتحقيق في أسئلة البحث المطروحة.
نتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح نتائج الدراسة، مع تسليط الضوء على الاتجاهات أو الأنماط أو الارتباطات المهمة التي لوحظت في البيانات. عادةً ما تدعم النتائج التحليلات الإحصائية، والتي قد تشمل قيم p، أو فترات الثقة، أو أحجام التأثير، للتحقق من النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم تمثيلات بصرية مثل الرسوم البيانية أو الجداول لتوضيح البيانات بشكل أكثر فعالية. تساعد هذه المساعدات البصرية في تعزيز فهم القارئ للنتائج وتوفير مقارنة واضحة بين المتغيرات أو الظروف المختلفة التي تم اختبارها خلال البحث. بشكل عام، يعد هذا القسم حاسمًا لتفسير تداعيات الدراسة ويضع الأساس للنقاشات والاستنتاجات اللاحقة.
نقاش
في هذه الدراسة، يقدم المؤلفون PROGPATH، وهو إطار جديد لتوقعات السرطان الشامل يدمج الصور النسيجية مع المتغيرات السريرية القياسية. باستخدام نموذج الأساس Virchow2 لتمثيل الصور، يستخدم PROGPATH آلية دمج قائمة على المحولات لتعزيز القدرات التنبؤية عبر أنواع السرطان المختلفة. تم تطوير النموذج باستخدام بيانات من أطلس جينوم السرطان (TCGA) وتم التحقق منه على 17 مجموعة مستقلة، مما يظهر أداءً متفوقًا مقارنةً بنماذج التنبؤ بالنجاة متعددة الوسائط الموجودة، مثل MCAT وMOTCAT وSurvPath. حقق PROGPATH بشكل خاص متوسط مؤشر التوافق (C-index) قدره 0.731 في مجموعات TCGA، متفوقًا على نظرائه أحادي الوسائط بفوارق كبيرة.
تسلط الدراسة الضوء على أهمية دمج الميزات النسيجية مع البيانات السريرية، حيث تفوق PROGPATH باستمرار على النماذج التي تعتمد فقط على أي من الوسائط. تعزز قدرة النموذج على تصنيف المرضى بناءً على مجموعات العلاج وحالة العلامات الحيوية من أهميته السريرية. من الجدير بالذكر أن PROGPATH يلتقط بشكل فعال الشكلية التنبؤية التي قد تتجاهلها أنظمة التصنيف التقليدية، مما يوفر رؤى حول بيولوجيا الورم واستجابات العلاج المحتملة. بينما يظهر الإطار وعدًا في تعزيز تصنيف المخاطر في الإعدادات السريرية، يعترف المؤلفون بالقيود، بما في ذلك الحاجة إلى بيانات سريرية أغنى وغياب القدرات التنبؤية لقرارات علاجية محددة. يُقترح إجراء أبحاث مستقبلية للتحقق من الإمكانات التنبؤية لـ PROGPATH وتنقيح تطبيقه في رعاية السرطان الشخصية.
DOI: https://doi.org/10.1038/s41392-025-02374-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40897689
Publication Date: 2025-09-02
Author(s): Wei Qi Yuan et al.
Primary Topic: AI in cancer detection
Overview
The research presents PROGPATH, a novel unified model designed for pancancer prognosis prediction by integrating histopathological image features with routinely collected clinical variables. This approach addresses the limitations of existing cancer-specific models, which often lack extensive external validation and rely on molecular data that may not be readily available in clinical settings. PROGPATH utilizes a weakly supervised deep learning architecture, incorporating an attention-guided multiple instance learning module for morphological feature aggregation and a cross-attention transformer for fusing clinical information.
Trained on 7,999 whole-slide images (WSIs) from 6,670 patients across 15 cancer types, PROGPATH underwent extensive validation on 17 external cohorts comprising 7,374 WSIs from 4,441 patients across 12 cancer types. The model demonstrated superior performance compared to state-of-the-art multimodal prognosis prediction models, showcasing strong generalizability and robustness across various patient subgroups, including those at different disease stages and treatment cohorts. Additionally, PROGPATH provides interpretability by identifying critical pathological patterns influencing risk predictions, such as cell differentiation and necrosis extent. These findings underscore PROGPATH’s potential to enhance cancer outcome prediction and inform personalized treatment strategies.
Introduction
The introduction of the research paper highlights the significant global health challenge posed by cancer, with approximately 20 million new cases and 9.7 million deaths reported in 2022. Traditional prognostic systems, such as the tumor-node-metastasis (TNM) staging, struggle to account for the heterogeneity among patients, while molecular biomarkers, though promising, face limitations related to cost and accessibility. As a result, there is an urgent need for more precise and scalable prognostic evaluation methods to enhance personalized treatment and improve survival rates across various cancer types.
The paper discusses the potential of computational pathology, particularly through the digitization of histopathology slides and advancements in artificial intelligence (AI), to transform cancer prognosis. By extracting relevant features from whole-slide images (WSIs), AI models can serve as cost-effective alternatives to traditional molecular assays. The authors introduce PROGPATH, a unified pancancer prognosis prediction model that integrates histopathological features with routinely collected clinical data. PROGPATH employs a novel approach that prioritizes informative regions within slides and utilizes a flexible decision-making strategy to adapt to different cancer types. Developed using a substantial dataset of 7999 slides from 6670 patients across 15 cancer types, PROGPATH has been validated on 17 external cohorts, demonstrating superior performance compared to existing methods and single-modality baselines.
Methods
The Methods section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, employing statistical methods to analyze the data collected from a sample population. Key variables were measured using standardized instruments, ensuring reliability and validity in the results.
Data analysis involved the application of regression models to identify relationships between the independent and dependent variables. The significance of findings was assessed using p-values, with a threshold set at p < 0.05. Additionally, the study incorporated control measures to account for potential confounding factors, thereby enhancing the robustness of the conclusions drawn from the analysis. Overall, the methodological framework established a solid foundation for the investigation of the research questions posed.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It details the outcomes of the study, highlighting significant trends, patterns, or correlations observed in the data. The results are typically supported by statistical analyses, which may include p-values, confidence intervals, or effect sizes, to validate the findings.
Additionally, the section may include visual representations such as graphs or tables to illustrate the data more effectively. These visual aids serve to enhance the reader’s understanding of the results and to provide a clear comparison of different variables or conditions tested during the research. Overall, this section is crucial for interpreting the implications of the study and sets the stage for subsequent discussions and conclusions.
Discussion
In this study, the authors introduce PROGPATH, a novel pancancer prognosis prediction framework that integrates histopathological images with standard clinical variables. Utilizing the foundation model Virchow2 for image representation, PROGPATH employs a transformer-based fusion mechanism to enhance prognostic capabilities across various cancer types. The model was developed using data from The Cancer Genome Atlas (TCGA) and validated on 17 independent cohorts, demonstrating superior performance compared to existing multimodal survival prediction models, such as MCAT, MOTCAT, and SurvPath. Specifically, PROGPATH achieved a mean concordance index (C-index) of 0.731 in TCGA cohorts, outperforming its unimodal counterparts by significant margins.
The study highlights the importance of integrating histopathological features with clinical data, as PROGPATH consistently outperformed models relying solely on either modality. The model’s ability to stratify patients based on treatment subgroups and biomarker status further underscores its clinical relevance. Notably, PROGPATH effectively captures prognostic morphology that traditional staging systems may overlook, providing insights into tumor biology and potential treatment responses. While the framework shows promise for enhancing risk stratification in clinical settings, the authors acknowledge limitations, including the need for richer clinical data and the absence of predictive capabilities for specific therapeutic decisions. Future research is suggested to validate PROGPATH’s predictive potential and refine its application in personalized cancer care.