Оценка BRAF-статуса локализованных и местнораспространенных папиллярных микрокарцином щитовидной железы с применением методов машинного обучения

С появлением гистологических сканеров высокого разрешения, систем хранения информации большой емкости, мощных графических процессоров, а также высокоскоростных компьютерных сетей стало возможно использовать полученные изображения для разработки программ искусственного интеллекта с применением методов машинного обучения. Создается новый раздел в патологической анатомии, сочетающий в себе не только оцифровку микропрепаратов, но и автоматизированный их анализ — вычислительную патологию (Computational pathology, CPath). В настоящее время все большую популярность приобретает концепция глубокого обучения (Deep Learning), при котором извлечение признаков из обучающих данных происходит автоматически с помощью эффективных алгоритмов неконтролируемого и полуконтролируемого обучения, а не вручную, как при классическом обучении [1]. Широко распространяются методики на основе компьютерного зрения с построением нейросетевых моделей предсказания с использованием «сырых», необработанных данных [2]. Создание подобных моделей требует подготовки соответствующего набора размеченных данных и обучения выбранной архитектуры для решения поставленной задачи.

Многообещающей парадигмой построения моделей классификации гистологических сканов при наличии только недетализированной («слабой») разметки является Multiple-Instance Learning (MIL) [3]. В рамках парадигмы MIL гистологические сканы не обрабатываются моделью сразу целиком, а сначала разбиваются на отдельные области — плитки, или патчи. Каждый из патчей обрабатывается отдельно, после чего производится агрегация результатов для получения итогового предсказания для целого исходного слайда. При этом значение параметра присваивается не каждой плитке по-отдельности, а набору плиток, но при этом подразумевается, что данному значению соответствуют не все плитки из набора, а лишь часть из них. То есть, при обучении достаточно присвоить определенное значение только слайду в целом (выполнить метку на уровне слайда гистологического препарата) без выполнения ручной разметки слайда на зоны. Такой подход является абсолютно актуальным, поскольку для получения качественно размеченных слайдов требуются значительный объем усилий профильных специалистов и серьезные временные затраты.

Подходы MIL с механизмом «внимания» (Attention-MIL) позволяют не только предсказывать классы объектов данных, но и генерировать тепловые карты внимания для выделения наиболее важных с точки зрения обученной модели регионов [4]. На практике удобно применять модели извлечения признаков (экстракторы), предварительно обученные на больших наборах данных изображений (датасетах) [5]. Одной из таких моделей экстрактора является CTransPath, разработанная специально для работы с гистологическими изображениями, обучение которой было проведено на более чем 30 тыс. сканах гистологических препаратов 32 типов карцином из 25 анатомических областей [6]. Еще одной универсальной предобученной моделью экстрактора является модель Virhow, представляющая собой модель с 632 млн параметров, обученную на примерно 1,5 млн изображениях гистологических препаратов опухолей различного гистогенеза и локализаций. Для обеих моделей продемонстрирована возможность предсказания с высокой точностью микросателлитной нестабильности при колоректальном раке, мутации гена рецептора фактора роста фибробластов (FGFR) при карциномах мочевого пузыря и гена рецептора эпидермального фактора роста (EGFR) при немелкоклеточном раке легкого [7].

Известно, что одной из драйверных мутаций в развитии папиллярного рака щитовидной железы является мутация гена BRAF [8, 9], а наиболее частой ее разновидностью — BRAF V600E. Данная мутация встречается в большей части гистологических подтипов папиллярных карцином щитовидной железы с частотой 29—69% [10]. По результатам некоторых исследований, наличие этой мутации ассоциировано со снижением безрецидивной выживаемости пациентов [11, 12], а также с развитием метастазов в регионарных лимфатических узлах [13, 14]. Большой научный интерес вызывает возможность оценки BRAF-статуса по отсканированным гистологическим препаратам папиллярных карцином щитовидной железы, в том числе папиллярных микрокарцином, доля которых в общей когорте папиллярного рака щитовидной железы составляет около 30% [15, 16].

Цель исследования — оценить возможность использования цифровой модели на основе парадигмы MIL в оценке BRAF-статуса папиллярных микрокарцином щитовидной железы.

Исследование выполнено на отсканированных гистологических препаратах операционного материала 93 пациентов в возрасте от 24 до 72 лет (медиана 48 лет), оперированных в ГНЦ ФГБУ «НМИЦ эндокринологии им. акад. И.И. Дедова» Минздрава России по поводу заболеваний щитовидной железы в период с 01.01.22 по 01.09.23, с морфологически верифицированными унифокальными папиллярными микрокарциномами щитовидной железы (медиана наибольшего размера опухоли 0,7 см).

Операционный материал был фиксирован в 10% нейтральном забуференном формалине (pH 7,4) в течение 18—20 ч, после чего осуществлялась его вырезка с последующей проводкой в вакуумном гистопроцессоре по стандартному протоколу и заливкой в парафиновые блоки. При создании гистологических препаратов изготавливались срезы толщиной 3—4 мкм. Мутацию BRAF V600E определяли методом Real-Time PCR при помощи системы «Тест-BRAF-ткань-24» (ТестГен). Сканирование гистологических препаратов проводилось на гистосканере Leica Aperio AT2 (Leica Biosystems) при увеличении в 200 раз.

Для построения модели классификации BRAF-статуса гистологических сканов препаратов микрокарцином использовался программный код на языке программирования Python 3.11. На первом этапе с помощью предварительно обученной модели [17] были получены предсказания злокачественности опухолей для рассматриваемых данных с микрокарциномами. Для определения принадлежности каждого объекта к классу использовался порог принятия решений, равный 0,5. В 87 (93,5%) из 93 случаев предсказание модели оказалось верным. Оставшиеся 6 случаев модель ошибочно отнесла к классу доброкачественных новообразований. В качестве архитектуры для модели классификации использовался метод Multiple-Instance Learning (MIL) в варианте CLAM [5]. Разбиение гистологического скана на патчи производилось при использовании объектива ×20, применен размер патча 512×512 пикселей. Для получения векторных представлений отдельных патчей гистологических сканов использовались два варианта предварительно обученных моделей для извлечения признаков CTransPath и Virchow. По причине того, что характерный размер микрокарцином мал по отношению к площади всего гистологического скана, задача поиска и выделения «важных» для классификации областей каждого скана является сложной для моделей в условиях небольшого числа обучающих примеров. Поэтому перед обучением моделей классификации была произведена дополнительная фильтрация плиток гистологических сканов на основе значений коэффициентов внимания, полученных с помощью предварительно обученной модели определения злокачественности новообразований щитовидной железы [17]. Для экспериментов были выбраны плитки со значением коэффициента внимания выше, чем q-й перцентиль в рамках каждого отдельно взятого гистологического скана. Были использованы следующие значения q: 0 (нет фильтрации), 80 (сохранено 20% наиболее «информативных» регионов изображения) и 95 (сохранено 5%).

Для оценки качества классификации использовалось метрика «площадь под ROC-кривой» (ROC-AUC). Для проведения экспериментов по обучению моделей использовалась кросс-валидация по k=5 разбиениям со стратификацией на основе целевой переменной (наличие положительного BRAF-статуса), повторенная 10 раз с разной инициализацией генератора случайных чисел. Подсчет статистики для значений метрики ROC-AUC для каждого эксперимента производился по 50 оценкам. Для визуализации наиболее информативных регионов сканов использовались значения коэффициентов внимания, полученные из обученных моделей.

Мутация BRAF V600E в ткани опухоли была выявлена у 62 пациентов, у 31 наблюдался негативный BRAF-статус. Результаты экспериментов по обучению модели классификации наличия положительного BRAF-статуса с использованием признаков из моделей CTransPath и Virchow приведены в таблице.

Значения ROC-AUC для экспериментов по обучению классификатора BRAF-статуса на основе гистологических сканов

Применение предварительной фильтрации регионов по-разному сказалось для двух моделей извлечения признаков. По результатам многократной кросс-валидации среднее значение площади под ROC-кривой для модели CTransPath выросло с 0,65 в отсутствие фильтрации до 0,79 при использовании 5% наиболее «информативных» регионов. Для модели признаков Virchow среднее значение площади под ROC-кривой при использовании фильтрации изменилось незначительно, с 0,81 без фильтрации до 0,83 при использовании 20% наиболее «информативных» регионов. Визуализация области интереса, выделяемой моделью, а также зон, важных для итогового вывода о BRAF-статусе опухоли, представлена на рисунке.

Оценка BRAF-статуса папиллярной микрокарциномы щитовидной железы с применением методов машинного обучения.

а — изображение отсканированного гистологического препарата до обработки моделью; б — визуализация области интереса (оттенки желтого), в которой модель видит целесообразность оценки BRAF-статуса; в — области, которые модель оценивает как BRAF-позитивные (чем темнее оттенок красного, тем выше «уверенность» модели в наличии в них мутации BRAF).

Полученные результаты подтверждают принципиальную возможность использования моделей машинного обучения на основе MIL для оценки BRAF-статуса папиллярных микрокарцином щитовидной железы на гистологических сканах без явной разметки областей интереса.

Несмотря даже на небольшую выборку, обученные модели демонстрируют результаты, статистически отличающиеся от случайного угадывания, что указывает на наличие информативного сигнала в «сырых» цифровых препаратах. Особенно высокие значения ROC-AUC были получены при использовании признаков из модели Virchow, что, вероятно, связано с лучшим качеством извлеченных признаков из микроскопических изображений (обусловленным большим объемом обучающих данных).

Применение фильтрации плиток на основе коэффициентов внимания позволило улучшить качество классификации при использовании модели CTransPath, что может свидетельствовать о важности отбора релевантных регионов при работе с мелкими образованиями, такими как микрокарциномы, особенно в условиях сравнительно небольшого объема доступных данных.

Однако доверительные интервалы ROC-AUC для разных вариантов фильтрации пересекаются, и статистически значимых различий между ними не наблюдается. Это может указывать как на ограниченность выборки, так и на необходимость более точной настройки процедур отбора регионов и архитектур классификатора. Дополнительные эксперименты на более объемных и разнообразных наборах данных, в том числе при карциномах большего размера, позволят уточнить вклад различных компонентов модели в итоговое качество.

Таким образом, подход, основанный на MIL и attention-механизмах, показывает перспективы в решении задач молекулярной классификации опухолей по гистологическим изображениям, в частности, определении BRAF-статуса папиллярных карцином щитовидной железы. Развитие этого направления может привести к созданию вспомогательных инструментов, способных облегчить принятие решений и сократить время диагностики для патоморфологов.

Участие авторов:

Концепция и дизайн исследования — Варламов А.В., Урусова Л.С., Лысухин Д.Д.

Сбор и обработка материала — Варламов А.В., Матросова А.А.

Статистическая обработка — Лысухин Д.Д.

Написание текста — Лысухин Д.Д., Варламов А.В.

Редактирование — Пачуашвили Н.В., Ванушко В.Э., Абросимов А.Ю., Демура Т.А.

Авторы заявляют об отсутствии конфликта интересов.