TESERA: Nâng cao phân nhóm hình thái học và phân tầng tiên lượng trong ung thư biểu mô tế bào gan bằng ảnh whole-slide H&E

Điểm nổi bật

Bài viết này giới thiệu TESERA, một khung giải phẫu bệnh tính toán mới, có khả năng trích xuất các phân nhóm hình thái học có ý nghĩa tiên lượng từ các tiêu bản ung thư biểu mô tế bào gan (HCC) nhuộm hematoxylin-eosin (H&E). TESERA xác định hai phân nhóm u khác biệt, liên quan đến các con đường phân tử và đột biến then chốt, đồng thời cung cấp một chỉ số hình thái học tiên lượng có khả năng dự đoán sống còn toàn bộ và sống không bệnh, với hiệu năng đã được xác thực trên nhiều đoàn hệ.

Cách tiếp cận của TESERA khai thác các ảnh mô học thu nhận thường quy, cho phép phân tầng nguy cơ dựa trên hiểu biết sinh học với chi phí thấp và khả năng triển khai rộng rãi, qua đó có thể hỗ trợ định hướng xử trí lâm sàng và quyết định điều trị trong HCC.

Bối cảnh nghiên cứu

Ung thư biểu mô tế bào gan (HCC) là một trong những nguyên nhân hàng đầu gây tử vong do ung thư trên toàn cầu, trong khi các công cụ tại thời điểm chăm sóc vẫn còn hạn chế để mô tả hiệu quả sinh học khối u hoặc phân tầng tiên lượng người bệnh. Đánh giá mô bệnh học truyền thống cung cấp thông tin hình thái học có giá trị nhưng chưa tích hợp một cách hệ thống với các đặc điểm phân tử và chỉ số tiên lượng. Phân tích hồ sơ phân tử đã giúp nâng cao hiểu biết về các phân nhóm HCC, nhưng vẫn tốn kém và chưa thể tiếp cận rộng rãi ở mọi nơi.

Vì vậy, có một nhu cầu lâm sàng chưa được đáp ứng đối với các phương pháp có khả năng mở rộng, hiệu quả về chi phí, tận dụng mô bệnh học thường quy để cung cấp thông tin về sinh học khối u và nguy cơ của người bệnh, qua đó hỗ trợ các tiếp cận y học chính xác ngay trong quy trình làm việc của giải phẫu bệnh.

Thiết kế nghiên cứu

Khung TESERA áp dụng phân tích hình ảnh bằng tính toán trên các ảnh whole-slide image (WSI) H&E đã số hóa từ khối u HCC. Các tác giả đã phát triển một mô hình deep learning không giám sát để tạo các embedding tiềm ẩn biểu diễn các kiểu hình thái học. Các embedding này được phân cụm để xác định các Tissue Encoded Subtypes (TES) khác biệt mà không cần chú giải trước.

Đoàn hệ nghiên cứu chủ yếu được trích từ bộ dữ liệu The Cancer Genome Atlas Liver Hepatocellular Carcinoma (TCGA-LIHC), bao gồm các WSI đã số hóa được liên kết với kết cục lâm sàng và dữ liệu phân tử. TESERA cũng bao gồm một đoàn hệ độc lập tại cơ sở nghiên cứu để xác thực ngoài.

Sau bước phân cụm không giám sát, một mô hình có giám sát được huấn luyện bằng các embedding của TESERA để tính toán chỉ số hình thái học TESERA (TESERA morphologic index, TESERA-MI), có khả năng dự đoán kết cục sống còn ở cấp độ người bệnh.

Kết quả chính

Phân nhóm mô học được mã hóa theo mô (TES1 so với TES2)

TESERA xác định hai phân nhóm hình thái học chính trong HCC:

• TES1: Phân nhóm liên quan đến tiên lượng thuận lợi, giàu các con đường chuyển hóa và đột biến CTNNB1, phản ánh đặc tính sinh học ít xâm lấn hơn.
• TES2: Liên quan đến sống còn toàn bộ kém (hazard ratio [HR] = 4,20), giàu các con đường phân tử tăng sinh và đột biến TP53, phù hợp với hành vi khối u ác tính hơn.

Phân định này tương đồng với các phân loại sinh học trước đó, nhưng điểm đặc biệt là được suy ra từ mô bệnh học thường quy thông qua hình thái học bằng tính toán.

Chỉ số hình thái học tiên lượng (TESERA-MI)

Một mô hình dự đoán có giám sát được huấn luyện trên các embedding của TESERA đã tạo ra TESERA-MI, cho thấy giá trị tiên lượng mạnh:

• Dự đoán sống còn toàn bộ với HR = 3,17 và sống không bệnh với HR = 2,19 trong đoàn hệ TCGA-LIHC.
• Vượt trội hơn các biến số lâm sàng truyền thống và các dấu ấn phân tử về độ chính xác phân biệt, với chỉ số concordance index (C-index) là 0,73 và diện tích dưới đường cong ROC (AUROC) ở mốc 1, 3 và 5 năm lần lượt là 0,82, 0,80 và 0,79.
• Vẫn giữ ý nghĩa tiên lượng độc lập sau hiệu chỉnh đa biến (HR = 2,97).
• Được xác thực ngoài trên một đoàn hệ độc lập tại cơ sở (HR = 2,16), qua đó khẳng định tính ổn định.

Tích hợp với các con đường phân tử

Các phân nhóm hình thái học của TESERA tương quan chặt chẽ với những bất thường phân tử có ý nghĩa sinh học, qua đó kết nối mô học và hệ gen học:

• Phân nhóm TES1 giàu đột biến CTNNB1 và các chữ ký gen chuyển hóa.
• Phân nhóm TES2 giàu đột biến TP53 và các kiểu biểu hiện gen tăng sinh.

Điều này cho thấy khả năng của TESERA trong việc suy đoán không xâm lấn sinh học nền tảng của khối u chỉ từ hình thái học.

Bình luận của chuyên gia

TESERA đại diện cho một bước tiến quan trọng trong giải phẫu bệnh tính toán đối với HCC, cung cấp một phương pháp thực tiễn để rút ra thông tin sinh học và tiên lượng có thể ứng dụng lâm sàng trực tiếp từ các tiêu bản H&E thường quy. Bằng cách hợp nhất các kiểu hình thái với dữ liệu phân tử và dữ liệu kết cục trong cùng một khung phân tích, phương pháp này khắc phục những hạn chế quan trọng của đánh giá mô bệnh học chủ quan truyền thống.

Hơn nữa, khả năng phân tầng người bệnh vượt ra ngoài các dấu ấn lâm sàng và phân tử đã được thiết lập cho thấy TESERA có tiềm năng cải thiện đánh giá nguy cơ cá thể hóa và lập kế hoạch điều trị. Việc phát hiện không giám sát các phân nhóm hình thái học vừa củng cố các đặc điểm sinh học đã biết, vừa cung cấp một nền tảng có khả năng mở rộng và triển khai ở nhiều bối cảnh lâm sàng khác nhau.

Tuy nhiên, vẫn còn các hạn chế, bao gồm sự phụ thuộc vào chất lượng số hóa tiêu bản cao và nhu cầu xác thực thêm trên các quần thể rộng hơn, đa dạng hơn về dân tộc và căn nguyên bệnh, do tính không đồng nhất của HCC có thể khác nhau trên toàn cầu. Ngoài ra, việc tích hợp vào quy trình lâm sàng thời gian thực và bảo đảm tính dễ diễn giải đối với bác sĩ giải phẫu bệnh sẽ rất quan trọng để áp dụng rộng rãi.

Kết luận

TESERA cung cấp một quy trình tính toán mới, có thể tiếp cận công khai, khai thác mô học H&E tiêu chuẩn để phân định các phân nhóm hình thái học của ung thư biểu mô tế bào gan khác nhau về sinh học và tiên lượng. Hệ thống này tạo ra một chỉ số tiên lượng độc lập, chính xác, có năng lực cạnh tranh với các chỉ báo phân tử và lâm sàng, đồng thời cho phép phân tầng nguy cơ với chi phí hợp lý và khả năng triển khai rộng rãi.

Những phát hiện này mở ra triển vọng thay đổi chẩn đoán và quản lý HCC bằng cách tích hợp các công cụ tiên lượng có hiểu biết sinh học vào thực hành giải phẫu bệnh thường quy. Nghiên cứu tiếp theo nên tập trung vào mở rộng xác thực, tích hợp TESERA vào hỗ trợ quyết định lâm sàng, và khám phá giá trị của hệ thống này trong định hướng các liệu pháp nhắm trúng đích.

Kinh phí và ClinicalTrials.gov

Các nguồn tài trợ của nghiên cứu gốc không được nêu rõ trong tóm tắt. Không ghi nhận đăng ký thử nghiệm lâm sàng cho nghiên cứu phát triển giải phẫu bệnh tính toán này.

Tài liệu tham khảo

1. Yasaka TM, Afrin S, Chen PY, et al. TESERA: morphologic subtyping and prognostic stratification of hepatocellular carcinoma from H&E whole-slide images. Hepatology. 2026 Oct 2. PMID: 42826064.

2. Llovet JM, Kelley RK, Villanueva A, et al. Hepatocellular carcinoma. Nat Rev Dis Primers. 2021 Aug 12;7(1):6.

3. Schulze K, Nault JC, Villanueva A. Genetic profiling of hepatocellular carcinoma using next-generation sequencing. J Hepatol. 2016 Aug;65(2):237–247.

4. Campanella G, Hanna MG, Geneslaw L, et al. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nat Med. 2019 Aug;25(8):1301-1309.