Привет, это команда МедТех ИИ и дирекции по искусственному интеллекту и цифровым продуктам билайна и врачи-учёные из Сеченовского университета. И это вторая часть нашей статьи из журнала  Biomedicines про применение искусственного интеллекта в диагностике рака почки. Первую часть можно прочитать тут.

Дифференциальный диагноз почечно-клеточной карциномы

Для достоверной диагностики и наблюдения за пациентами с различными типами почечно-клеточной карциномы (ПКК) необходимо точно определить гистологический вариант опухоли. Задача представляет собой дифференцирование между основными типами рака почки. Эту проблему тоже можно решить с помощью цифровой патологии. Внедрение искусственного интеллекта в рутинную гистопатологию позволит использовать дополнительные методы анализа для определения гистологического типа рака еще до того, как патологоанатом поставит точный диагноз, что значительно ускорит диагностический процесс. 

Помимо достоверного установления гистологического типа рака, важной проблемой является дифференциация злокачественных и доброкачественных опухолей. Эта проблема является значимой для онкоцитомы и хПКК, а также для метанефрической аденомы и пПКК. В одной из публикаций Чорди и другие авторы проанализировали 48 гистологических сканов (По 12 снимков для каждого гистологического типа опухоли - светлоклеточной, папиллярной, хромофобной ПКК и онкоцитомы). Сканы были преобразованы в четырехуровневые изображения в оттенках серого, а затем выполнена сегментация. Различные признаки были извлечены из изображений ПКК и использованы для корректной классификации гистологических подтипов. Классификация была выполнена с точностью более 90% с помощью простого многоклассового байесовского классификатора, предполагающего многомерные распределения Гаусса. В аналогичном исследовании авторы отказались от сегментации и использовали метод углов Харриса для локализации ключевых точек на 48 сканах четырех типов опухолей почек. Точность байесовского классификатора достигла 83%.

Менгдан Чжу и др. разработали глубокую нейросетевую модель, которая может точно классифицировать оцифрованные сканы гистологических образцов после хирургической резекции и биопсии на пять групп: светлоклеточная ПКК, папиллярная ПКК, хромофобная ПКК, онкоцитома почки и нормальная ткань. Показатели для данных из «Атласа генома рака» составили 0,98 (95% доверительный интервал (ДИ): 0,97-1,00), 0,98 (95% ДИ: 0,96-1,00) и 0,97 (95% ДИ: 0,96-1,00), (95% ДИ: 0,96-0,98), соответственно. 

Также важным является обучение нейронной сети распознаванию доброкачественных почечных поражений. Авторы собрали набор гистологических сканов со следующими типами опухолей почек: светлоклеточная ПКК (сПКК), папиллярная ПКК (пПКК), хромофобная ПКК (хПКК), светлоклеточная папиллярная ПКК (спПКК), онкоцитома и метанефрическая аденома. 

Затем был построен классификатор с использованием Google AutoML Vision, коммерческого интерфейса прикладного программирования для разработки классификаторов изображений на основе ИИ. После 1 часа обучения средняя точность классификатора составила 76% (площадь под кривой "точность-отдача"). Затем классификатор обучался в течение 8 часов, и средняя точность итоговой модели составила 93%. Классификатор правильно идентифицировал 47/55 (85%) случаев (сПКК 11/13, пПКК 14/15, хПКК 10/11, спПКК 2/4, онкоцитома 8/9 и метанефрическая аденома 2/3). Все опухоли с коэффициентом более 0,77 были правильно классифицированы. 

В другой публикации авторы создали фреймворк, состоящий из трех конволюционных нейронных сетей. На сканах ПКК выделялись патчи  разного размера (малый размер = 250 × 250, средний размер = 350 × 350 и большой размер = 450 × 450) , далее отдельная  нейронная сеть обрабатывала участок определенного размера. На гистологических сканах были выделены четыре типа тканей: жировая, паренхима почки, сПКК и пПКК. Фреймворк успешно классифицировал четыре класса и продемонстрировал высокую производительность по сравнению с современными методами (пиксельная точность: 0,89 по ResNet18; предложенная: 0,89 по ResNet18 предложенная: 0.92).

Различная экспрессия и локализация иммуногистохимических маркеров в подтипах рака почки может иметь значение к прогрессированию опухоли и ответу на таргетную терапию. Экспрессия некоторых антител может предсказывать исход заболевания и указывать на злокачественность (PD-L1, Ki-67). Другие антитела могут использоваться в качестве маркеров васкуляризации (CD31) и инфильтрации тканей различными типами иммунных клеток (CD3, CD8, CD20, CD68), что также имеет важное прогностическое значение. 

В одном из исследований авторы изучали микроокружение при различных типах рака почки, а также сравнивали образцы тканей с метастазами или рецидивами (n = 15). Всего было проанализировано 83 опухоли почки: оба типа пПКК (n = 20) и (n = 49), карцинома собирательных трубочек (n = 14) и уротелиальная карцинома высокой степени злокачественности (HGUC; n = 5). С помощью машинного обучения был проведен анализ 10 различных маркеров на сканах иммуногистохимических препаратов из разных опухолей, включая маркеры мезенхимальной ткани, иммунной инфильтрации и эндотелия, а также клеточной пролиферации. Для выявления мембранной и/или цитоплазматической экспрессии CD68, CD163, CD3, CD8, CD20 и виментина был обучен классификатор HALO random forest с использованием алгоритма HALO Area quantification v1.0. 

Для определения антител к CD31, Ki67 и PDL1 использовался алгоритм object colocalization v1.2. Этот алгоритм выявлял положительно окрашенные клетки или объекты на основе их размера и формы и определял общее количество положительно окрашенных объектов на 1 мм2 площади. Алгоритмы оценки Ki-67 и виментина были обучены на всей ткани. В обучение включались как опухолевые, так и неопухолевые участки. Процент площади положительного маркера рассчитывался путем деления площади положительного окрашивания на общую площадь ткани и умножения на 100. После статистического анализа иммунные маркеры показали различный уровень экспрессии при разных гистологических типах рака: количество CD3+ Т-клеток и CD20+ В-клеток было статистически значимо выше в CDC. CD68+ макрофаги преобладали в пПКК 1-го типа. PD-L1 был значительно повышен в метастатических образцах. Экспрессия Ki-67 была ниже в пПКК 1-го типа, чем в пПКК 2-го типа (IRR = 0,47, 95% CI = 0,21-0,92, p = 0,017). Эти выводы позволили получить новое представление о природе редких видов рака почки, которые часто остаются недостаточно изученными. 

Для улучшения диагностики некоторые исследователи использовали нейронные сети, предварительно обученные диагностировать различные опухоли. Например, Кевин Фауст и др. применили свёрточную нейронную сеть (СНС), предварительно обученную распознавать гистоморфологию опухолей головного мозга , к 550 цифровым изображениям двух типов почечно-клеточной карциномы (396 сПКК, 154 пПКК). В общей сложности было извлечено 512 различных признаков для кластеризации набора изображений и анализа клинической и биологической значимости, возникающей между подгруппами пациентов. Примечательно, что СНС, предварительно обученные на больших гистологических наборах данных, могут распространить изученные представления на новые патологии, устраняя клинически значимые различия в структуре тканей внутри и между пациентами без дополнительной оптимизации.

Обученные гистологические модели могут быть доработаны и использованы для оценки прогноза. Это делает их не только диагностическими, но и прогностическими. В исследовании авторы обучили СНС на гистологических сканах из «Атласа генома рака» распознавать опухолевую ткань от нормальной, а затем определять гистологический тип опухоли (светлоклеточная, папиллярная и хромофобная ПКК) с точностью 87,69%. Используя СНС-модель, дифференцирующую ПКК от нормальной ткани, авторы определили места расположения опухолей с высокой вероятностью риска и построили тепловую карту вероятности. 

На основе участков опухоли из скан-изображений каждого ПКК были извлечены некоторые характеристики формы опухоли и ядер, такие как площадь и периметр. Индекс риска для каждого пациента рассчитывался с помощью регуляризованной модели Кокса-ЛАССО для каждого признака и проверялся с помощью двухэтапной процедуры перекрестной валидации. Было установлено, что тринадцать характеристик морфологии раковых клеток и шесть характеристик ядерной морфологии значимо связаны с выживаемостью пациентов (p-value < 0,05).

Нейронные сети могут быть многозадачными, например, их можно обучить распознавать как опухолевые, так и нормальные ткани, определять гистологический тип опухоли и ее класс, а также оценивать прогноз заболевания. Чемпион и другие авторы классифицировали гистологические сканы различных типов ПКК на основании четырех классаов Фурман на основе цвета и текстуры ядер. Учитывались также форма и топологические особенности ядер. Выборка состояла из 47% сПКК, 33% пПКК и 20% хПКК; всего было использовано 160 сканов. Из каждого изображения методом бинарной сегментации было извлечено 1316 цветовых, текстурных, формальных и топологических признаков для каждого типа рака. После обучения и валидации эта модель классифицировала различные изображения ПКК по четырем классам согласно классификации Фурман с точностью 90,4%. 

Другие исследователи разработали СНС, которая различала типы рака почки и нормальной ткани, а также классифицировала опухоль по Фурман. Модель достигла общей точности 99,1% для различения нормальной паренхимы и ПКК в выборке (чувствительность 100%, специфичность 97,1%). Точность дифференцировки светлоклеточного, папиллярного и хромофобного гистотипов ПКК составила 97,5%. Точность классификации по Фурман составила 98,4%. Поскольку применимость классификации Фурман к хПКК остается спорной, многие патоморфологи в своей практике предпочитают использовать классификацию Панера.

Светлоклеточная ПКК

Светлоклеточная почечно-клеточная карцинома (сПКК) — это морфологически гетерогенная злокачественная опухоль, происходящая из клеток почечного канальцевого эпителия. Опухолевые клетки имеют преимущественно прозрачную, иногда эозинофильную цитоплазму и окружены обильной сетью кровеносных сосудов. сПКК - наиболее распространенный тип ПКК у взрослых, составляющий 60-75% всех ПКК. Большинство случаев сПКК развивается спорадически, т.е. отсутствуют известные наследственные предрасполагающие факторы. Диагноз обычно ставится случайно, например, при проведении медицинских визуализационных исследований, не связанных с заболеваниями почек. Метастазы обнаруживаются у 25% пациентов, их выживаемость составляет от 6 до 12 месяцев. В 70-90% всех случаев сПКК наблюдаются определенные патологические изменения в длинном плече третьей хромосомы - сегменте 3p. Часто обнаруживается инактивация гена болезни фон Хиппеля-Линдау, связанная с миссенс-мутацией и/или гиперметилированием промотора этого гена.

Наиболее важным параметром, связанным с прогнозом заболевания, является классификация. С этой целью при сПКК оцениваются ядра опухолевых клеток. Ранее использовалась четырехуровневая классификация Фурман, основанная на ядерной морфологии и визуализации ядрышка. Современная классификация WHO/ISUP также состоит из четырех классов. Иногда для упрощения рабочего процесса предлагается использовать двухэтапные классификации. В большинстве рассмотренных нами публикаций сПКК разделяется на две большие группы в зависимости от класса: высокодифференцированные (первый и второй классы по Фурман) и низкодифференцированные (третий и четвертый классы по Фурман). 

В одном из исследований авторы создали нейронную сеть для распознавания высоко- и низкодифференцированного рака с использованием классификации Фурман. Они обучили модель прогнозирования выживаемости пациентов на основе эпидемиологических и клинических данных. После обработки данных 42 пациентов была создана ЛАССО-модель, включающая 26 различных признаков. Чувствительность и специфичность составили 84,6% и 81,3% соответственно. Затем исследователи применили эту модель к 160 случаям сПКК, используя данные о возрасте, поле, классе опухоли, стадии по TNM и лечении для оценки прогноза заболевания.

Также можно определить высокий и низкий класс опухоли, автоматически оценив размер ядер. Используя пространственное распределение размеров ядер, авторы создали тепловую карту и определили диаметр ядра, характерный для каждого класса. Они также показали, что средний размер ядра в сканах высокозлокачественного рака составляет 6 мкм, а низкозлокачественного рака - 9 мкм. Исследователи использовали алгоритм автоматического распознавания цвета, встроенный в программу WS-Recognizer, и машину опорных векторов в качестве классификатора. Для обучения классификатора программа производила выборку красных, синих и зеленых пикселей. Крук и др. разработали нейросеть и продемонстрировали автоматическую градацию при сПКК по классификации Фурман. Точность определения составила 96,7%, а чувствительность и специфичность для каждой градации были различными и составляли от 87,3 до 99,3%. 

Другие исследователи создали автоматизированный механизм классификации изображений для разделения сПКК на две группы в зависимости от степени злокачественности. Для анализа ядер и визуализации ядрышка использовались методы машинного обучения и извлечения признаков на основе интенсивности пикселей изображения. С помощью двух отдельных детекторов программа генерировала два набора выделенных областей изображения ядрышек. Затем программа проводила количественную оценку плеоморфных паттернов ядер, объединив признаки, извлеченные из нескольких областей изображения с ядром. 

Технологии машинного обучения могут помочь в прогнозировании рака почки и потенциально улучшить клиническое лечение этого заболевания. Компьютерная программа на основе искусственного интеллекта может прогнозировать выживаемость пациентов с раком почки, одновременно анализируя различные медицинские данные (микроскопические изображения, снимки КТ/МРТ и геномные данные). Для этого автор Мариен и другие создали комплексную мультимодальную модель глубокого обучения (КМ МГО), состоящую из отдельных 18-слойных остаточных нейронных сетей для каждой модели изображения и геномных данных. Сначала нейронная сеть была обучена на гистологических снимках, затем к обучению были добавлены снимки КТ и МРТ и геномные данные. Всего было проанализировано 113 пациентов с точностью 83,43 % ± 11,62 % с максимальным значением 100 % при 12-кратной перекрестной валидации. 

Исследователи продемонстрировали, что оценка изображений, используемая в программе, коррелирует (R = 0,59) с существующей системой оценки, основанной на мультигенном анализе, - ключевым прогностическим показателем для пациентов с сПКК. В другой публикации было показано, что патологическая сигнатура, основанная на машинном обучении, может служить новым прогностическим маркером для пациентов с сПКК. Авторы провели выявление и сегментацию ядер при сПКК с помощью программного обеспечения для цифровой патологии QuPath на трех разных выборках пациентов. Определялись морфологические особенности опухолевых клеток, ядра и цитоплазмы. 

Для определения оптимальных характеристик цифровой патологии и расчета коэффициентов для каждого признака в модели использовался пакет Glmnet, который позволял проводить наименьшее абсолютное сжатие и отбор. Среднее время наблюдения за пациентами этих выборок составило 26,4 ± 16,8, 54,9 ± 27,8 и 43,2 ± 30,6 мес. соответственно. Для ЛАССО-анализа были выбраны следующие прогностические факторы: округлость ядра, минимальный размер ядра, средняя оптическая плотность гематоксилина ядра, минимальный размер гематоксилина ядра и стандартное отклонение размера эозина клеток. Эти признаки были включены в разработку многослойной перцептронной системы (МПС). Регрессионный анализ по методу Кокса показал, что МПС может быть использована в качестве независимого прогностического фактора выживаемости пациентов с сПКК. Интегрированная номограмма, основанная на МПС, системе стадирования опухоли и системе балльной оценки злокачественности, повысила текущую точность прогнозирования выживаемости пациентов с сПКК: значения площади под кривой составили 89,5%, 90,0%, 88,5% и 85,9% для прогнозирования выживаемости через 1, 3, 5 и 10 лет после постановки диагноза. 

Прогнозирование прогрессирования почечной патологии может быть также основано на оценке васкуляризации, размеров некротических участков и других гистоархитектурных особенностей. Некроз ассоциируется с худшим прогнозом. Плотность сосудов в опухоли коррелирует с инвазивностью и гематогенным метастазированием. Для упрощения обнаружения сосудов часто используется иммуногистохимическое окрашивание антителами к эндотелию и оцифровка этих препаратов. В одном из исследований был разработан алгоритм для оценки связи между экспрессируемыми генами и морфологией кровеносных сосудов. Были разработаны два инструмента машинного обучения: один - для идентификации эндотелиальных клеток, другой - для определения границ сосудов и периваскулярных областей.

Для автоматизации аннотации ядер эндотелиальных клеток и повышения точности метода машинного обучения авторы применили информацию о типе клеток из иммуногистохимических препаратов гематоксилин-эозиновым изображениям точно такого же участка ткани. Затем была создана маска сосудистой области. Было обнаружено девять сосудистых признаков, предсказывающих выживаемость в выборке пациентов (n = 64, RR = 2,3). Две обобщенные линейные модели, основанные на 14 генах (14VF и 14GT), разделили пациентов на группы с хорошей и плохой выживаемостью (RR 14VF = 2,4, RR 14GT = 3,33). 

Для прогностической оценки использовались также данные иммуногистохимических исследований с антителами, выявляющими опухолеинфильтрирующие лимфоциты, указывающие на злокачественный потенциал. Штенцель и другие исследовали экспрессию антител против опухолеинфильтрирующих CD3-положительных Т-клеток, CD8-положительных цитотоксических Т-лимфоцитов, регуляторных Т-клеток, В-клеток, плазматических клеток, макрофагов, гранулоцитов, рецептора программированной клеточной смерти-1 (PD-1) и его лиганда PD-L1 у большого числа пациентов с сПКК (n = 756). Препараты иммуногистохимии были оцифрованы и проанализированы с помощью платформы HALO. Для количественной оценки положительно окрашенных клеток и общего числа клеток в анализируемой области использовался цитоядерный модуль (v1.4e1.6), включающий тканевой классификатор для различения опухолевой и неопухолевой ткани. 

Однофакторный анализ выживаемости показал, что увеличение количества инфильтрирующих опухоль В-клеток, Т-клеток и PD-1-позитивных клеток достоверно ассоциировалось с хорошим прогнозом, а высокий уровень внутриопухолевых гранулоцитов, макрофагов, цитотоксических Т-клеток и PD-L1 - с плохим прогнозом. Высокая инфильтрация цитотоксическими лимфоцитами или В-клетками и высокая экспрессия PD-L1 в клетках сПКК были квалифицированы как независимые прогностические биомаркеры. Далее авторы исследовали прогноз пациентов после терапии ниволумабом, изучив экспрессию иммунных клеток и PD-1/PD-L1. 

Применение ИИ для исследования ряда молекулярных маркеров в каждом образце имеет прогностическое значение и может быть интегрировано с морфологическими признаками для улучшения стратификации риска и персонализированной терапии. В одном из исследований был разработан полуавтоматизированный метод исследования 62 маркеров и их комбинаций в 150 первичных раках с использованием мультиплексной иммунофлуоресценции, цифрового пространственного профилирования NanoString GeoMx и анализа изображений с помощью ИИ. 

Анализ изображений проводился с помощью программы Definiens Tissue Studio, а анализ гистологических сканов - с помощью программы Indica Labs Halo AI. Как и в Tissue Studio, сегментация опухоли-стромы включала только участки опухоли, а сегментация ядер основывалась на интенсивности окрашивания Heochst. Было установлено, что совместная экспрессия маркеров стволовых клеток рака и эпителиально-мезенхимального перехода, таких как OCT4 и ZEB1, указывает на плохой исход. OCT4 и иммунные маркеры CD8, CD34 и CD163 значительно дифференцировали пациентов на промежуточной фазе лечения.

В литературе широко изучена взаимосвязь между гистологическими особенностями сПКК и генетическими и эпигенетическими данными, которые также успешно используются в качестве прогностических маркеров. Азуахе и другие авторы использовали машинное обучение, включая нейронные сети глубокого уровня, для изучения взаимосвязи между протеомикой и гистологическими сканами. На первом этапе с помощью классификатора случайного леса была построена диагностическая модель на основе протеомики. Выборка состояла из 997 белковых генных продуктов. Модель была способна дифференцировать нормальные образцы и образцы сПКК с общей точностью 0,98 и высокой чувствительностью и специфичностью (0,97 и 0,99 соответственно). На втором этапе была создана комплексно-архитектурную СНС, которая позволила отличить раковую опухоль от нормальной ткани почки с точностью 0,95 в тестовом наборе данных и высокой чувствительностью и специфичностью (1 и 0,93, соответственно). На третьем этапе обе модели были протестированы одновременно на 24 образцах (14 с раком почки и 10 с нормальной тканью). Затем модели были обучены анализу корреляции между данными протеомики и кодирующими их генами, а также между каждым набором данных и гистологическим прогнозом.

Искусственный интеллект может играть важную роль в диагностике редких подтипов заболеваний, выявляемых по генетическим изменениям. Почечно-клеточная карцинома с транслокацией TFE3 Xp11.2 (TFE3-ПКК) имеет более агрессивный характер роста, чем другие подтипы ПКК, однако TFE3-ПКК очень трудно диагностировать с помощью стандартной световой микроскопии. Для извлечения признаков из изображений был разработан автоматизированный вычислительный механизм. Было выявлено 52 признака, позволяющих отличить TFE3-ПКК от сПКК. Испытания классификационной модели на внешнем валидационном наборе показали высокую точность: площадь под ROC-кривой составила от 0,842 до 0,894. Кроме того, полученный результат продемонстрировал способность улавливать незначительные морфологические различия между TFE3-ПКК и сПКК и может существенно улучшить диагностику редких вариантов сПКК.

Папиллярная ПКК

Папиллярная почечно-клеточная карцинома (пПКК) возникает из эпителия дистальных извитых канальцев и составляет 10-15% всех случаев рака почки. пПКК - менее агрессивная опухоль, чем сПКК, с 5-летней выживаемостью 80-85%. пПКК - гетерогенное заболевание с двумя основными гистологическими подтипами. Опухоли первого типа состоят из сосочков и трубчатых структур, покрытых мелкими клетками с базофильной цитоплазмой и небольшими овальными ядрами. Опухоли второго типа состоят из сосочков, покрытых крупными клетками с эозинофильной цитоплазмой и крупными сферическими ядрами (с выступающими ядрышками). В некоторых случаях пПКК носит скрытый и мультифокальный характер. В других - имеет агрессивный летальный фенотип одиночных опухолей. Микроокружение опухоли играет очень важную роль в прогнозировании течения опухоли почки. Оно также позволяет указать гистологические биомаркеры. Оценка микроокружения опухоли при различных ее подтипах представляет собой интересную задачу. 

В одном из исследований авторы предложили новый механизм для автоматизированной топологической характеристики клеточных структур в микроокружении опухоли. Эта программа была протестирована на большом общедоступном наборе гистопатологических изображений из выборки 190 пациентов с пПКК. Затем был проведен однофакторный анализ выживаемости по 50 морфологическим признакам и двум патологическим переменным (стадия TNM и подтип пПКК). Стадии II и III были объединены в одну группу и сравнивались с I стадией. Пациенты с пПКК 2-го типа имели худший прогноз, чем пациенты с 1-м типом.

Результаты эксперимента показали, что предложенные топологические признаки позволяют успешно разделять пациентов на ранних и средних стадиях заболевания с высокой выживаемостью. Эти результаты также продемонстрировали превосходство над традиционными клиническими признаками и морфологическими характеристиками клеток. Кроме того, площадь под кривой (AUC) прогноза бинарного 5-летнего выживания для стадии и подтипа составила 0,63 и 0,66, соответственно. Прогнозируемый индекс риска достиг AUC 0,78. Эти технологии не только дают новое представление о топологической организации раковых опухолей, но и могут быть интегрированы с геномными данными в будущих исследованиях для разработки новых комплексных биомаркеров.

Другим подходом к прогностической оценке является интеграция морфологических и генетических данных. В одной из публикаций авторы стремились всесторонне охарактеризовать иммунное микроокружение пПКК на основе анализа генетических данных, используя вычислительную биологию для анализа профильных данных. На основе мультиомиксного биоинформационного анализа авторы обнаружили, что пПКК обладает характеристиками "горячей" опухоли. Однако наличие CD8+ Т-клеток в опухолевой ткани не ограничивало ее прогрессию. Поэтому пациенты с пПКК могут получить большую клиническую пользу от лечения, направленного на устранение дефицита CD8+ Т-клеток. 

Кроме того, экспрессия CCL5 и FASLG может быть связана с формированием иммуносупрессивного микроокружения в пПКК. Представленное в данной работе иммунное микроокружение дает новые представления для дальнейших экспериментальных и клинических исследований по индивидуализированной иммунотерапии пациентов с пПКК. Ле Ли и др. провели биоинформационный скрининг для изучения и идентификации потенциальных биомаркеров повреждения ДНК и окислительного стресса в пПКК. Данные секвенирования РНК были загружены из базы данных «Атласа генома рака», а дифференциально экспрессированные гены (ДЭГ) были идентифицированы с помощью различных алгоритмов кластеризации и классификации. Результаты этого анализа позволили предположить, что гены BDKRB1, NMUR2, PMCH и SAA1 могут быть потенциальными прогностическими биомаркерами и новыми терапевтическими мишенями для пПКК.

Хромофобная ПКК

Хромофобная почечно-клеточная карцинома (хПКК) исходит из кортикальныой собирательной  трубочки и встречается в 3-5% случаев. Прогноз при хПКК значительно лучше, чем при светлоклеточной и папиллярной ПКК, а 5-летняя выживаемость составляет более 90%.

Ядра часто имеют характерный неравномерный морщинистый (изюмоподобный) вид, часто встречается двуядерность. Морфология клеток очень разнообразна, что может сбить с толку неопытного наблюдателя и привести к негативным заключениям.

Несмотря на то, что были предложены системы классификации хПКК, ни одна из них в настоящее время не получила широкого признания и не включена в клинические рекомендации. Классификация WHO/ISUP также не была валидирована применительно к хПКК. В настоящее время предлагаются двух-, трех- и четырехступенчатые системы классификации, наиболее ярким примером которых является трехступенчатая классификация Панера. Однако дополнительная прогностическая ценность после учета стадии TNM и саркоматоидной дифференцировки отсутствует.

Согласно классификации ВОЗ, хПКК подразделяется на два подтипа: классический и эозинофильный. Для классической хПКК характерны крупные клетки с ретикулярной цитоплазмой и выраженными клеточными мембранами (бледные клетки). Охаши и другие авторы изучили три выборки пациентов: 42 из отделения патологии и молекулярной патологии Университетской больницы Цюриха, 199 из различных институтов и медицинских клиник Японии и 66 из «Атласа генома рака». Разницы в выживаемости между эозинофильным и классическим типами не было ни в одной из выборок пациентов. Для определения корреляции между генотипом и фенотипом был проведен геномный анализ с помощью набора Affymetrix OncoScan CNV Assay (Affymetrix/Thermo Fisher Scientific, Waltham, MA, USA) в 33 хПКК. В объединенных выборках швейцарских пациентов и пациентов из «Атласа генома рака» потери хромосом 1, 2, 6, 10, 13 и 17 достоверно чаще встречались при классическом варианте (p < 0,05 для каждой), что свидетельствует о том, что классическая хПКК характеризуется более высокой хромосомной нестабильностью. Это молекулярное различие позволяет выделить два варианта хПКК.

Трудность диагностики почечно-клеточной карциномы (ПКК) заключается в дифференциации ПКК от доброкачественной онкоцитомы почки. Эти типы опухолей гистологически и морфологически схожи, но требуют разного клинического лечения. В литературе имеется большое количество статей, в которых машинное обучение использовалось для дифференциации онкоцитомы от хПКК с помощью компьютерной томографии и других рентгенологических методов. В одной из публикаций Кевин Бреннан и др. проанализировали метилирование ДНК в свежезамороженных образцах онкоцитомы и хПКК и использовали машинное обучение для выявления сигнатур дифференциально метилированных цитозин-фосфат-гуаниновых (CpG) сайтов, которые достоверно отличали онкоцитому от ПКК. Удивительно, но онкоцитома характеризовалась большим количеством аномального метилирования, чем хПКК. Всего было выявлено 79 CpG с большими различиями в метилировании между онкоцитомой и хПКК. Диагностическая модель позволила отличить онкоцитому от хПКК при 10-кратной перекрестной валидации (AUC = 0,96 (95% ДИ, 0,88-1,00)). Профиль CpG также позволяет дифференцировать онкоцитому от других подтипов ПКК, а также от нормальной ткани, что делает его потенциальным диагностическим биомаркером для онкоцитомы.

Заключение

Появление цифровой патологии особенно с интеграцией искусственного интеллекта стало катализатором трансформационных изменений в нефропатологии. В данном обзоре обобщены последние исследования, изучающие возможности использования ИИ в диагностике и прогнозировании рака почки.

Поскольку мир патологии готов к трансформационным изменениям нельзя недооценивать потенциальные преимущества цифровой патологии, особенно в сочетании с ИИ. Достижения в этой области могут проложить путь к более быстрому принятию решений, повышению точности диагностики, эффективности рабочих процессов и более точному прогнозированию развития заболевания. 

Цифровая патология, изменяя стандарты диагностики и роль патологоанатомов, обещает беспрецедентную эффективность в нефропатологии. Например, все большее внимание уделяется использованию ИИ для повышения точности диагностики: от детального клеточного анализа до углубленной оценки микроокружения опухоли и определения прогностических гистологических биомаркеров – и все это в рамках существующих клинических протоколов.

Однако на пути к беспрепятственной интеграции технологий ИИ в рабочие процессы патологоанатомов не обойтись без трудностей. Прежде всего, это стоимость: установка для цифровой патологии, включающая гистосканер, сервер изображений и необходимое программное обеспечение, стоит около 500 тыс. долл. Большинство имеющихся технических решений еще не прошли сертификацию как медицинские изделия. Кроме того, отсутствует валидация различных сканеров и наборов данных. Различия в методах окрашивания и способах сканирования могут приводить к появлению артефактов, что требует принятия мер по контролю качества и корректировки дефектов изображения, таких как сжатие. Для прогнозирования рака почки в настоящее время происходит переход от традиционной ядерной градации к более точному анализу плотности клеток, хотя прогностическая эффективность такого подхода остается неизученной.

В обозримом будущем ожидается, что внедрение ИИ в патологии будет опережать развитие многих других областей. Во многом это объясняется тем, что специалисты могут быстро оценить полезность инструментас ИИ. В ближайшие годы решения на базе ИИ позволят устранить проблемные места в работе патологоанатомов и впоследствии внедрить инновации в области мультимодальных анализов, включающих морфологию, компьютерную томографию, генетику, а также биофотонику. 

В то же время существует острая необходимость в проведении тщательных исследований программ искусственного интеллекта, чтобы подкрепить эмпирические выводы. В настоящее время несколько центров располагают обширными базами данных, проводятся рандомизированные исследования с использованием различных моделей сканеров, методов окрашивания и протоколов иммуногистохимии. Эти ресурсы могут способствовать проведению клинических испытаний, в которых традиционные методы диагностики будут сравниваться с новаторскими методиками, прокладывая путь к научно обоснованному, дополненному ИИ будущему в патологии.

Литература

1. Chaudry, Q.; Raza, S.H.; Young, A.N.; Wang, M.D. Automated Renal Cell Carcinoma Subtype Classification Using Morphological, Textural and Wavelets Based Features. J. Signal Process. Syst. 2009, 55, 15–23. [Google Scholar] [CrossRef] [PubMed]

2. Raza, S.H.; Parry, R.M.; Sharma, Y.; Chaudry, Q.; Moffitt, R.A.; Young, A.N.; Wang, M.D. Automated classification of renal cell carcinoma subtypes using bag-of-features. In Proceedings of the 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology, Buenos Aires, Argentina, 31 August–4 September 2010; pp. 6749–6752. [Google Scholar] [CrossRef]

3. Zhu, M.; Ren, B.; Richards, R.; Suriawinata, M.; Tomita, N.; Hassanpour, S. Development and evaluation of a deep neural network for histologic classification of renal cell carcinoma on biopsy and surgical resection slides. Sci. Rep. 2021, 11, 7080. [Google Scholar] [CrossRef]

4. Gondim, D.D.; Al-Obaidy, K.I.; Idrees, M.T.; Eble, J.N.; Cheng, L. Artificial intelligence-based multi-class histopathologic classification of kidney neoplasms. J. Pathol. Inform. 2023, 14, 100299. [Google Scholar] [CrossRef] [PubMed]

5. Abdeltawab, H.; Khalifa, F.; Ghazal, M.; Cheng, L.; Gondim, D.; El-Baz, A. A pyramidal deep learning pipeline for kidney whole-slide histology images classification. Sci. Rep. 2021, 11, 20189. [Google Scholar] [CrossRef]

6. Paner, G.P.; Amin, M.B.; Alvarado-Cabrero, I.; Young, A.N.; Stricker, H.J.; Moch, H.; Lyles, R.H. A Novel Tumor Grading Scheme for Chromophobe Renal Cell Carcinoma: Prognostic Utility and Comparison with Fuhrman Nuclear Grade. Am. J. Surg. Pathol. 2010, 34, 1233–1240. [Google Scholar] [CrossRef]

7. Cheville, J.C.; Lohse, C.M.; Sukov, W.R.; Thompson, R.H.; Leibovich, B.C. Chromophobe Renal Cell Carcinoma: The Impact of Tumor Grade on Outcome. Am. J. Surg. Pathol. 2012, 36, 851–856. [Google Scholar] [CrossRef] [PubMed]

8. Holdbrook, D.A.; Singh, M.; Choudhury, Y.; Kalaw, E.M.; Koh, V.; Tan, H.S.; Kanesvaran, R.; Tan, P.H.; Peng, J.Y.S.; Tan, M.-H.; et al. Automated Renal Cancer Grading Using Nuclear Pleomorphic Patterns. JCO Clin. Cancer Inform. 2018, 2, 1–12. [Google Scholar] [CrossRef] [PubMed]

9. Chen, S.; Jiang, L.; Gao, F.; Zhang, E.; Wang, T.; Zhang, N.; Wang, X.; Zheng, J. Machine learning-based pathomics signature could act as a novel prognostic marker for patients with clear cell renal cell carcinoma. Br. J. Cancer 2022, 126, 771–777. [Google Scholar] [CrossRef] [PubMed]

10. Stenzel, P.J.; Schindeldecker, M.; Tagscherer, K.E.; Foersch, S.; Herpel, E.; Hohenfellner, M.; Hatiboglu, G.; Alt, J.; Thomas, C.; Haferkamp, A.; et al. Prognostic and Predictive Value of Tumor-infiltrating Leukocytes and of Immune Checkpoint Molecules PD1 and PDL1 in Clear Cell Renal Cell Carcinoma. Transl. Oncol. 2020, 13, 336–345. [Google Scholar] [CrossRef] [PubMed]

11. De Filippis, R.; Wölflein, G.; Um, I.H.; Caie, P.D.; Warren, S.; White, A.; Suen, E.; To, E.; Arandjelović, O.; Harrison, D.J. Use of High-Plex Data Reveals Novel Insights into the Tumour Microenvironment of Clear Cell Renal Cell Carcinoma. Cancers 2022, 14, 5387. [Google Scholar] [CrossRef] [PubMed]

12. Cheng, J.; Han, Z.; Mehra, R.; Shao, W.; Cheng, M.; Feng, Q.; Ni, D.; Huang, K.; Cheng, L.; Zhang, J. Computational analysis of pathological images enables a better diagnosis of TFE3 Xp11.2 translocation renal cell carcinoma. Nat. Commun. 2020, 11, 1778. [Google Scholar] [CrossRef]

13. Wei, B.; Yu, M.; Yao, J.; Jiang, M.; An, J.; Yang, J.; Lin, J.; Zhao, Y.; Zhu, Y. Multidimensional Analyses of Tumor Immune Microenvironment Reveal the Possible Rationality of Immunotherapy and Identify High Immunotherapy Response Subtypes for Renal Papillary Cell Carcinoma. Front. Immunol. 2021, 12, 657951. [Google Scholar] [CrossRef]

14. Li, L.; Liu, X.; Wen, Y.; Liu, P.; Sun, T. Identification of Prognostic Markers of DNA Damage and Oxidative Stress in Diagnosing Papillary Renal Cell Carcinoma Based on High-Throughput Bioinformatics Screening. J. Oncol. 2023, 4, 4640563. [Google Scholar] [CrossRef]

15. Ohashi, R.; Schraml, P.; Angori, S.; Batavia, A.A.; Rupp, N.J.; Ohe, C.; Otsuki, Y.; Kawasaki, T.; Kobayashi, H.; Kobayashi, K.; et al. Classic Chromophobe Renal Cell Carcinoma Incur a Larger Number of Chromosomal Losses Than Seen in the Eosinophilic Subtype. Cancers 2019, 11, 1492. [Google Scholar] [CrossRef]

16. Alhussaini, A.J.; Steele, J.D.; Nabi, G. Comparative Analysis for the Distinction of Chromophobe Renal Cell Carcinoma from Renal Oncocytoma in Computed Tomography Imaging Using Machine Learning Radiomics Analysis. Cancers 2022, 14, 3609. [Google Scholar] [CrossRef]

17. Baghdadi, A.; Aldhaam, N.A.; Elsayed, A.S.; Hussein, A.A.; Cavuoto, L.A.; Kauffman, E.; Guru, K.A. Automated differentiation of benign renal oncocytoma and chromophobe renal cell carcinoma on computed tomography using deep learning. BJU Int. 2020, 125, 553–560. [Google Scholar] [CrossRef] [PubMed]

18. Li, Y.; Huang, X.; Xia, Y.; Long, L. Value of radiomics in differential diagnosis of chromophobe renal cell carcinoma and renal oncocytoma. Abdom. Radiol. 2020, 45, 3193–3201. [Google Scholar] [CrossRef] [PubMed]

19. Brennan, K.; Metzner, T.J.; Kao, C.-S.; Massie, C.E.; Stewart, G.D.; Haile, R.W.; Brooks, J.D.; Hitchins, M.P.; Leppert, J.T.; Gevaert, O. Development of a DNA Methylation-Based Diagnostic Signature to Distinguish Benign Oncocytoma from Renal Cell Carcinoma. JCO Precis. Oncol.2020, 28, 1141–1151. [Google Scholar] [CrossRef] [PubMed]