Sztuczna inteligencja coraz śmielej wkracza do diagnostyki onkologicznej. Jednym z najnowszych i najbardziej obiecujących przykładów jej zastosowania jest model EAGLE (EGFR AI Genomic Lung Evaluation) – narzędzie zdolne do przewidywania obecności mutacji EGFR w gruczolakoraku płuca (LUAD) na podstawie cyfrowych preparatów histopatologicznych z rutynowej biopsji. W badaniu opublikowanym na łamach Nature Medicine EAGLE udowodnił swoją przydatność kliniczną, oferując szybkie, skuteczne i niskokosztowe wsparcie w podejmowaniu decyzji terapeutycznych.
Z tego artykułu dowiesz się…
- Jak działa model EAGLE i w jaki sposób wykorzystuje cyfrowe preparaty z biopsji do przewidywania mutacji EGFR.
- Dlaczego EAGLE może skrócić czas oczekiwania na wyniki i ograniczyć zużycie materiału tkankowego.
- Jakie wyniki skuteczności osiągnięto w badaniach walidacyjnych i w warunkach rzeczywistych.
- Jakie są ograniczenia modelu i dlaczego nadal potrzebne jest potwierdzenie metodą NGS.
Mutacje EGFR a skuteczność terapii w gruczolakoraku płuca
Gruczolakorak płuca (LUAD) to najczęstszy typ niedrobnokomórkowego raka płuca. W tej grupie pacjentów najczęściej występującą mutacją jest zmiana w genie EGFR (receptora naskórkowego czynnika wzrostu), która warunkuje kwalifikację do terapii celowanych pierwszego rzutu. W praktyce klinicznej jednak poziom wykrywalności mutacji EGFR pozostaje zbyt niski, często ze względu na ograniczenia materiałowe biopsji, trudności techniczne w przetwarzaniu próbek i opóźnienia w raportowaniu wyników.
Nowy model EAGLE odpowiada na te wyzwania, umożliwiając analizę preparatów H&E (hematoksylinowo-eozynowych) bez potrzeby fizycznej ingerencji w próbkę.
EAGLE – biomarker obliczeniowy nowej generacji
Model EAGLE został stworzony z myślą o usprawnieniu diagnostyki mutacji EGFR. Algorytm oparty jest na transformatorze wizyjnym, który analizuje cyfrowe skany biopsji i przewiduje obecność mutacji z dużą dokładnością – nawet w mniej obfitych materiałach tkankowych.
W trakcie badania wykorzystano łącznie 5174 preparaty z Memorial Sloan Kettering Cancer Center (MSKCC) oraz 1742 próbki do walidacji wewnętrznej i zewnętrznej. Zbierając dane z wielu placówek w USA i Europie oraz korzystając z różnych modeli skanerów slajdów, twórcy modelu zapewnili mu wysoki stopień uogólnienia i adaptacji w różnych warunkach klinicznych.
Skuteczność modelu w warunkach rzeczywistych
W porównaniu z tradycyjnymi metodami, EAGLE dostarcza wyniki w ciągu zaledwie 44 minut – znacznie szybciej niż szybkie testy (48 godzin) czy sekwencjonowanie NGS (nawet kilka tygodni). W ocenie skuteczności uzyskano m.in.:
- AUC (area under the curve) = 0,847 w przypadku wszystkich próbek,
- AUC = 0,90 dla próbek pierwotnych,
- AUC = 0,75 dla próbek przerzutowych,
- dodatnią wartość predykcyjną (PPV) = 0,988,
- swoistość = 0,993 i czułość = 0,918.
Model lepiej sprawdzał się w przypadku próbek pierwotnych niż w materiałach z węzłów chłonnych czy kości (gdzie AUC spadało do 0,74 i 0,71).
Jak działa model i co dokładnie analizuje?
Model analizuje powierzchnię preparatu w oparciu o tzw. „kafelki”, czyli fragmenty tkanki analizowane indywidualnie. Wykazano, że im większy obszar dostępny do oceny, tym lepsza skuteczność predykcji mutacji. Co istotne, EAGLE potrafił wskazać nie tylko obecność mutacji EGFR, ale także fałszywie dodatnie sygnały związane z innymi zmianami biologicznymi, np. insercjami ERBB2 czy pominięciem eksonu 14 genu MET.
Wyniki fałszywie ujemne najczęściej dotyczyły materiałów cytologicznych lub próbek o małej zawartości tkanki nowotworowej – co sugeruje, że manualna interpretacja przez patologa mogłaby w takich przypadkach zwiększyć trafność.
AI jako narzędzie wspomagające, nie zastępujące
Autorzy badania podkreślają, że model EAGLE nie ma na celu zastąpienia sekwencjonowania NGS. Jego funkcją jest test przesiewowy – szybka identyfikacja przypadków prawdopodobnie pozytywnych i efektywne wykluczanie tych bez obecności mutacji EGFR.
Model nie rozpoznaje podtypów EGFR, które warunkują dobór konkretnej terapii, dlatego pełna weryfikacja metodą NGS jest nadal konieczna przed podjęciem decyzji terapeutycznej.
Wydajność i korzyści w praktyce klinicznej
Testy symulacyjne wykazały, że zastosowanie EAGLE jako narzędzia wspomagającego pozwala na oszczędność 18-43% szybkich testów, bez obniżenia wartości predykcyjnej. W praktyce oznacza to mniejsze zużycie materiału tkankowego, niższe koszty i krótszy czas do decyzji terapeutycznej.
Model EAGLE udowodnił swoją skuteczność także w warunkach rzeczywistych – tzw. „cichego badania” – przeprowadzonego w MSKCC. Wartość AUC osiągnęła wówczas 0,853, a w próbkach pierwotnych nawet 0,896.
👉 Wyniki oraz opis badań znajdziesz pod TYM LINKIEM
Główne wnioski
- Model EAGLE przewiduje obecność mutacji EGFR w raku płuca (LUAD) na podstawie cyfrowych preparatów H&E z biopsji, zapewniając wyniki w 44 minuty.
- W badaniach walidacyjnych osiągnięto AUC = 0,847, a w próbkach pierwotnych nawet AUC = 0,90, co potwierdza kliniczną przydatność modelu.
- Model nie zastępuje NGS, ale jako test przesiewowy może zmniejszyć liczbę szybkich testów nawet o 43%, oszczędzając tkankę i czas.
- Wyniki cichego testu w MSKCC (AUC = 0,853) potwierdzają skuteczność modelu w warunkach rzeczywistych, szczególnie w przypadku próbek pierwotnych.
Źródło:
- Nature Medicine
- Quantum Zeitgeist
- News Medical
