Wykorzystanie AI do identyfikacji mutacji EGFR w gruczolakoraku płuca

W dobie rozwoju metod diagnostyki molekularnej istotnym wyzwaniem klinicznym jest szybkie i wiarygodne określenie statusu mutacji receptora naskórkowego czynnika wzrostu (epidermal growth factor receptor, EGFR) u chorych na gruczolakoraka płuca (lung adenocarcinoma, LUAD). Mutacje EGFR są kluczowym predyktorem odpowiedzi na terapię inhibitorami kinazy tyrozynowej (TKI) i stanowią fundament medycyny spersonalizowanej w leczeniu niedrobnokomórkowego raka płuca (NSCLC). Tradycyjne metody molekularne, choć precyzyjne, są czasochłonne, kosztowne i wymagają odpowiedniej ilości materiału tkankowego, co nie zawsze jest możliwe w praktyce klinicznej.

W ostatnim czasie do wielu narzędzi wspomagających diagnostykę włączono modele oparte na sztucznej inteligencji (artificial intelligence, AI) analizujące obrazy histopatologiczne utrwalone i barwione hematoksyliną i eozyną (H&E). W publikacji Rakaee i wsp. oceniono wydajność dwóch algorytmów AI jako pomocniczych narzędzi do przewidywania statusu mutacji EGFR na podstawie rutynowych preparatów histopatologicznych u pacjentów z LUAD. Badanie miało charakter kohortowy i objęło pacjentów z dwóch niezależnych grup: z Dana-Farber Cancer Institute (DFCI) oraz z europejskiego projektu badawczego TNM-I. W kohorcie DFCI zidentyfikowano 1759 chorych (średnia wieku 66,6 ± 10,3 roku), z czego 432 osoby (25 proc.) miały mutacje EGFR potwierdzone metodami sekwencjonowania nowej generacji. W kohorcie TNM-I, obejmującej 339 chorych, mutacje te stwierdzono u 50 pacjentów (15 proc.).

Wyniki oceny modeli AI były obiecujące, jeden z analizowanych prawidłowo klasyfikował mutacje EGFR w 83–86 proc. przypadków w całej kohorcie pacjentów. Jednak po uwzględnieniu pochodzenia genetycznego pacjentów zaobserwowano różnice w skuteczności diagnostycznej: model charakteryzował się wysoką dokładnością klasyfikacji u osób pochodzenia europejskiego i afrykańskiego (84–85 proc. prawidłowych klasyfikacji), natomiast efektywność była niższa u pacjentów pochodzenia azjatyckiego (około 68 proc.). Skuteczność modelu różniła się także w zależności od rodzaju materiału tkankowego – fragmenty opłucnej dawały gorsze wyniki (około 66 proc.) niż tkanka pochodząca bezpośrednio z miąższu płuc (około 86 proc.).

Takie różnice pokazują, jak ważne jest, aby dane wykorzystane do uczenia i testowania modeli AI obejmowały pacjentów o zróżnicowanym pochodzeniu genetycznym, oraz podkreślają potrzebę dokładnej weryfikacji zastosowanych modeli w różnych grupach populacyjnych. Efektywność narzędzi diagnostycznych opartych na AI może zależeć od wielu czynników, w tym od zróżnicowania anatomicznego i molekularnego analizowanych tkanek oraz od jakości materiałów histopatologicznych. Te spostrzeżenia mają bezpośrednie implikacje dla ich wykorzystania w praktyce klinicznej, gdzie zaufanie do wyników musi być wysokie, zwłaszcza w kontekście decyzji terapeutycznych dotyczących terapii ukierunkowanych molekularnie.

Choć modele AI wykazały przydatność we wspomaganiu diagnostyki EGFR, autorzy podkreślają, że nie zastępują klasycznych metod molekularnych. Mogą natomiast służyć jako szybki i niskokosztowy wstępny test lub pomoc w wyborze próbek do dokładniejszych analiz genetycznych. Wyniki wskazują także na konieczność dalszej walidacji modeli w zróżnicowanych populacjach oraz ich dostosowania do różnych typów materiału i pochodzenia genetycznego pacjentów.