Screen Them All: High-Throughput Pan-Cancer Genetic and Phenotypic Biomarker Screening from H&E Whole Slide Images

许多分子改变可作为临床预后或治疗预测生物标志物，通常使用单基因或多基因分子检测方法进行检测。然而，这些检测方法费用高昂，破坏组织，并且通常需要数周才能完成。利用人工智能对常规的H&E WSIs进行分析，提供了一种快速且经济的方法来筛选多种分子生物标志物。我们提出了一个基于Virchow2的高通量人工智能系统，该系统在3百万张幻灯片上进行了预训练，利用来自38,984名癌症患者的47,960张已扫描的苏木精-伊红（H&E）全幻灯片图像，探究了先前由下一代测序（NGS）检测确定的基因组特征。与为每种生物标志物或癌症类型训练单独模型的传统方法不同，我们的系统采用统一模型，可以同时预测多种临床相关的分子生物标志物，跨越多种癌症类型。通过训练网络以复制MSK-IMPACT靶向生物标志物检测面板中的505个基因，它确定了80个高性能生物标志物，在15种最常见的癌症类型中的平均AU-ROC为0.89。此外，40个生物标志物与特定的癌症组织学亚型有强烈的关联。此外，58个生物标志物与临床常规检测的治疗选择和反应预测的靶点有关。该模型还可以预测五个经典信号通路的活性，识别DNA修复机制的缺陷，并预测肿瘤突变负荷、微卫星不稳定性（MSI）和染色体不稳定性（CIN）。该模型可以为指导治疗选择、提高治疗效果、加速患者筛选临床试验以及引发新的治疗靶点探究提供潜力。

使用单个或多个基因分子检测方法来检测临床预后或治疗预测生物标志物是昂贵、破坏组织且通常需要数周时间。该论文试图通过利用AI在常规H&E WSIs上进行筛选多个分子生物标志物，提供一种快速经济的方法。

该论文提出了一种基于高通量AI的系统，利用预先训练的Virchow2基础模型，使用来自38,984名癌症患者的47,960个扫描的H&E全切片图像，同时预测多种临床相关的分子生物标志物。相比于传统方法，该系统采用统一模型，可在多种癌症类型中同时预测多种分子生物标志物。

该模型可以预测五个经典信号通路的活性，识别DNA修复机制的缺陷，并预测肿瘤突变负荷、微卫星不稳定性和染色体不稳定性。该模型还可以预测治疗选择、改善治疗效果、加速患者筛选临床试验和引发新治疗靶点的探究。论文使用了MSK-IMPACT靶向生物标志物面板进行训练，识别出80个高性能的生物标志物，平均AU-ROC为0.89，在15种最常见的癌症类型中表现出强大的关联性。

最近在这个领域中，还有一些相关的研究，如：1）利用AI在组织切片图像中预测肿瘤突变负荷，2）使用AI和多光谱图像来识别癌症组织中的不同细胞类型，3）利用AI在组织切片图像中预测肝癌的不同分子亚型。