پیش‌بینی نقص نوترکیبی همولوگ در سرطان تخمدان بر اساس یادگیری عمیق و با استفاده از تصاویر هیستوپاتولوژیک تمام‌اسلاید

هدف: کمبود نوترکیبی همولوگ، یک نشانگر زیستی حیاتی برای هدایت درمان خط اول با مهارکننده‌های پلی‌(آدنوزین دی‌فسفات-ریبوز) پلیمراز در سرطان تخمدان است. در حالی که سنجش‌های ژنومی استاندارد فعلی هستند، اما همچنان پرهزینه، زمان‌بر و اغلب غیرقابل دسترس در سراسر جهان هستند. با پذیرش گسترده تصویربرداری کل اسلاید در پاتولوژی، هوش مصنوعی جایگزین امیدوارکننده‌ای برای شناسایی کمبود نوترکیبی همولوگ به طور مستقیم از اسلایدهای معمول رنگ‌آمیزی شده با هماتوکسیلین و ائوزین ارائه می‌دهد.

روش‌ها: ما یک خط لوله یادگیری عمیق کاملاً خودکار با استفاده از یادگیری چند نمونه‌ای مبتنی بر توجه و مبدل‌های بینایی از پیش آموزش‌دیده برای پیش‌بینی وضعیت کمبود نوترکیبی همولوگ از تصاویر کل اسلاید ایجاد کردیم. این مدل روی ۲۵۷ بیمار با وضعیت کمبود نوترکیبی همولوگ موجود آموزش داده شد و به صورت خارجی روی ۴۶۸ بیمار از گروه آزمایشی فاز III PAOLA-1/ENGOT-ov25 و ۸۹ بیمار از پایگاه داده اطلس ژنوم سرطان اعتبارسنجی شد.

نتایج: این مدل به سطح زیر منحنی 0.73 در مجموعه‌های تست داخلی، 0.69 در گروه اطلس ژنوم سرطان و 0.70 در گروه آزمایشی فاز III PAOLA-1/ENGOT-ov25 (0.72 در بیماران BRCA نوع وحشی) دست یافت که نشان‌دهنده قابلیت انتقال و تعمیم قوی است. مقادیر پیش‌بینی منفی بالا (تا 0.98) مشاهده شد که نشان‌دهنده عملکرد قوی در رد موارد نوترکیبی همولوگ است. تجزیه و تحلیل بقای کاپلان-مایر در گروه آزمایشی فاز III PAOLA-1/ENGOT-ov25 نشان داد که گروه‌های منفی پیش‌بینی‌شده توسط هوش مصنوعی، منحنی‌های بقای بدون پیشرفت تقریباً یکسانی با گروه‌های منفی تعریف‌شده توسط Myriad، به‌ویژه در میان بیماران BRCA نوع وحشی، نشان دادند.

نتیجه‌گیری: نتایج ما نشان می‌دهد که یادگیری عمیق اعمال‌شده بر روی تصاویر کل اسلاید می‌تواند وضعیت کمبود نوترکیبی همولوگ را با دقت بالینی معنادار و تعمیم قوی در بین مجموعه داده‌ها پیش‌بینی کند. این مدل به ویژه در شناسایی بیماران دارای نوترکیبی همولوگ مؤثر است و می‌تواند به عنوان ابزاری ارزشمند برای پشتیبانی یا اولویت‌بندی آزمایش‌های مولکولی عمل کند. ادغام این ابزار هوش مصنوعی در گردش‌های کاری معمول پاتولوژی می‌تواند کارایی تشخیصی را بهبود بخشد، هزینه‌ها را کاهش دهد و دسترسی به درمان‌های هدفمند در سرطان تخمدان را تسریع کند.

Objective: Homologous recombination deficiency is a critical biomarker for guiding first-line treatment with poly(adenosine diphosphate-ribose) polymerase inhibitors in ovarian cancer. While genomic assays are the current standard, they remain costly, time-consuming, and often inaccessible worldwide. With the widespread adoption of whole-slide imaging in pathology, artificial intelligence offers a promising alternative for identifying homologous recombination deficiency directly from routine hematoxylin and eosin-stained slides.

Methods: We developed a fully automated deep-learning pipeline using attention-based multiple-instance learning and pre-trained vision transformers to predict homologous recombination deficiency status from whole-slide images. The model was trained on 257 patients with available homologous recombination deficiency status and validated externally on 468 patients from the PAOLA-1/ENGOT-ov25 phase III trial cohort and 89 patients from The Cancer Genome Atlas database.

Results: The model achieved an area under the curve of 0.73 on the internal test sets, 0.69 on The Cancer Genome Atlas cohort, and 0.70 on the PAOLA-1/ENGOT-ov25 phase III trial cohort (0.72 in BRCA wild-type patients), demonstrating strong transferability and generalization. High negative predictive values (up to 0.98) were observed, indicating strong performance in ruling out homologous recombination-proficient cases. Kaplan-Meier survival analyses in the PAOLA-1/ENGOT-ov25 phase III trial cohort demonstrated that artificial intelligence-predicted negative groups showed progression-free survival curves nearly identical to Myriad-defined negative groups, especially among BRCA wild-type patients.

Conclusions: Our results demonstrate that deep learning applied to whole-slide images can predict homologous recombination deficiency status with clinically meaningful accuracy and strong generalization across datasets. The model is particularly effective at identifying homologous recombination-proficient patients and may serve as a valuable tool to support or triage molecular testing. Integrating this artificial intelligence tool into routine pathology workflows could improve diagnostic efficiency, reduce costs, and accelerate access to targeted therapies in ovarian cancer.