Early prediction of successful organoid establishment using deep learning based microscopic image analysis

Abstract

The complexity and heterogeneity of cancer pathogenesis necessitate the development of personalized in-vitro models. Patient-derived organoids (PDOs) offer a promising approach, maintaining patient-specific mutations and enabling individualized therapeutic strategies. However, the establishment success rates of organoids vary significantly across cancer types, posing a challenge especially for large-scale application. This study introduces an advanced AI-based model utilizing deep learning to predict the success of organoid establishment at an early stage using microscopic images. Employing a dual-image input approach combined with Masked Autoencoder (MAE) pretraining, Vision Transformer (ViT) models demonstrated high predictive accuracy, surpassing human performance in several metrics. The ViT-Dual-MAE-Finetune and Linearprobe models were particularly effective, achieving the highest Area Under the Curve (AUC) scores of 0.88 with total test set. The ViT-Dual-MAE-Linearprobe model consistently improved across organoid passages, reaching a peak AUC of 0.98 in Passage 2. Furthermore, the models performed well with HER2 and TNBC subtypes. Attention map analysis revealed that successful predictions often focused on the edges of individual organoids, suggesting that these features may be critical indicators of growth. These findings highlight the potential of AI models in enhancing the efficiency and scalability of organoid-based research, paving the way for significant advancements in precision medicine and personalized cancer treatment.

본 연구는 환자 유래 오가노이드 구축 조기 단계에서 구축 성공 여부를 예측하는 인공지능 모델을 개발하여 구축의 효율성을 향상시키는 것을 목표로 한다. 이러한 예측은 성공할 것으로 예상되는 오가노이드 구축에 전략적으로 자원을 재분배하여 집중된 연구를 가능하게 하며 정밀 의학의 발전에 기여한다. 데이터로 사용된 오가노이드 현미경 사진은 유방암 오가노이드 구축과정에서 촬영되었다. 같은 오가노이드의 같은 계대에서 서로 일정 시간 간격을 갖는 현미경 사진이 쌍을 이루어 두개의 비전 트랜스포머 구조의 딥 러닝 모델에 제공된다. 이 접근 방식은 모델이 시간에 따른 오가노이드의 미세한 형태학적 변화를 감지할 수 있도록 한다. 이미지 쌍을 제공하는 방식과 Masked Autoencoder를 사용한 사전학습을 결합한 비전 트랜스포머 모델은 높은 예측 정확도를 보였으며, 여러 지표에서 인간의 예측과 유사하거나 우수한 성능을 보였다. ViT-Dual-MAE-Finetune 및 Linearprobe 모델이 특히 우수한 성능을 보였으며, 0.88의 AUC를 달성하였다. ViT-Dual-MAE-Linearprobe 모델은 오가노이드 계대가 진행됨에 따라 성능이 향상되었으며, 계대 2에서 AUC 0.98을 기록했다. 또한 유방암 아형에 따른 성능 분석에서 HER2와 TNBC에서 우수한 성능을 보였다. 어텐션 맵을 분석한 결과, 실제로 성공인 케이스를 잘 예측한 경우 종종 각 오가노이드의 가장자리에 어탠션이 집중되는 경향을 확인하였으며, 이는 이러한 특징이 오가노이드의 성장과 구축 성공여부를 파악하는데 중요한 지표일 수 있음을 시사한다. 정밀 의학 및 약물개발 분야에서 인공지능 기반 예측 모델을 활용한 오가노이드 구축 여부의 조기 결정은 제한된 자원의 최적화된 사용을 가능하도록 하는 중요한 접근법으로 사용될 수 있다.