Translating Histopathology-Based AI Models into Clinical Tools for Homologous Recombination Deficiency Detection
Notice bibliographique
Résumé
With extensive research and development in the past decade, affordability of Poly (ADP-ribose) polymerase (PARP) inhibitor therapy has drastically improved. Homologous recombination deficiency (HRD), a key biomarker has been identified as an important guiding factor for PARP inhibitor therapeutic decisions in breast and ovarian cancer. However, identification of patients who will respond to Poly (ADP-ribose) polymerase (PARP) inhibitor therapy is challenging due to the lack of a unifying morphological phenotype. Current HRD testing via next-generation sequencing (NGS) is tissue-dependent, has high failure rates, misses relevant HRD genes, and involves longer turn-around times. To overcome these limitations, we developed OncoPredikt, a deep learning model trained on Hematoxylin and Eosin (H&E)-stained whole slide images (WSIs) to non-invasively predict HRD status. Based on a ResNet-50 architecture, the model was trained and validated on 514 WSIs, including 315 breast and 80 ovarian cancer samples from The Cancer Genome Atlas (TCGA), with HRD labels derived from genomic data. An independent dataset of 119 ovarian cancer cases with known BRCA1/2 or HRR mutations was used for validation. OncoPredikt achieved an AUC of 0.85 in breast cancer and 0.97 in ovarian cancer, with robust sensitivity, specificity, and F1-scores in identifying HRD-positive cases. These findings demonstrate OncoPredikt’s potential as a rapid, cost-effective, and tissue-sparing alternative to conventional NGS testing. While promising, further validation is needed to establish its generalizability across broader cancer types.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».