Background: Of all urothelial carcinomas (UCs), 25% are muscle invasive and associated with a 5-year overall survival rate of 50%. Findings regarding the molecular classification of muscle-invasive urothelial carcinomas (MIUCs) have not yet found their way into clinical practice.
Objectives: Prediction of molecular consensus subtypes in MIUCs with artificial intelligence (AI) based on histologic hematoxylin-eosin (HE) sections.
Methods: Pathologic review and annotation of The Cancer Genome Atlas (TCGA) Bladder Cancer (BLCA) Cohort (N = 412) and the Dr. Senckenberg Institute of Pathology (SIP) BLCA Cohort (N = 181). An AI model for the prediction of molecular subtypes based on annotated histomorphology was trained.
Results: For a five-fold cross-validation with TCGA cases (N = 274), an internal TCGA test set (N = 18) and an external SIP test set (N = 27), we reached mean area under the receiver operating characteristic curve (AUROC) scores of 0.73, 0.8 and 0.75 for the classification of the used molecular subtypes "luminal", "basal/squamous" and "stroma-rich". By training on correlations to individual molecular subtypes, rather than training on one subtype assignment per case, the AI prediction of subtypes could be significantly improved.
Discussion: Follow-up studies with RNA extraction from various areas of AI-predicted molecular heterogeneity may improve molecular classifications and thereby AI algorithms trained on these classifications.
Zusammenfassung: HINTERGRUND: Muskelinvasive Urothelkarzinome (MIUC) der Harnblase repräsentieren ca. 25 % aller Urothelkarzinome (UC) und weisen eine 5‑Jahres-Überlebensrate von ca. 50 % auf. Bisher haben Erkenntnisse aus der molekularen Klassifikation der MIUCs noch keinen Einfluss auf die klinische Praxis genommen. ZIEL: Ziel der Arbeit ist die Vorhersage molekularer Konsensus-Subtypen in MIUCs mittels Künstlicher Intelligenz (KI) anhand histologischer Hämatoxylin-Eosin(HE)-Schnitte.
Material und methoden: Durchgeführt wurde ein pathologisches Review und die Annotation von Tumorarealen in der Bladder-Cancer(BLCA)-Kohorte (N = 412) des „The Cancer Genome Atlas“ (TCGA) und der BLCA-Kohorte (N = 181) des Dr. Senckenbergischen Instituts für Pathologie (SIP). Anhand der annotierten Histomorphologie zur Vorhersage molekularer Subtypen wurde ein KI-Modell trainiert.
Ergebnisse: In einer 5fachen Kreuzvalidierung mit TCGA-Fällen (N = 274), internem TCGA-Testset (N = 18) und externem SIP-Testset (N = 27) erreichten wir durchschnittliche Werte der „area under the receiver operating characteristic curve“ (AUROC) von jeweils 0,73, 0,8 und 0,75 zur Klassifikation der verwendeten molekularen Subtypen „luminal“, „basal/squamous“ und „stroma-rich“. Durch Training auf Korrelationen zu einzelnen molekularen Subtypen statt auf eine Subtypzuordnung pro Fall konnte die KI-Vorhersage von Subtypen signifikant verbessert werden.
Diskussion: Nachfolgestudien mit RNA-Extraktion aus verschiedenen Bereichen KI-vorhergesagter molekularer Heterogenität könnten molekulare Klassifikationen und damit die darauf trainierten KI-Modelle verbessern.
Keywords: Artificial intelligence; Molecular heterogeneity; Molecular subtypes; The Cancer Genome Atlas; Urothelial carcinoma.
© 2024. The Author(s).