ヘマトキシリンとエオシンで染み付いた全スライド画像から,ディープラーニングベースの組織形態学的サブタイプ化と小細胞肺がんのリスク分層化

科学分野:

• 腫瘍学
• コンピューター病理学
• 医療における人工知能

背景:

• 小細胞肺がん (SCLC) 患者の管理において,正確なサブタイプとリスクの分層化は極めて重要です.
• SCLCの伝統的な分子サブタイプ化方法は資源密集的で,臨床的に実施するのが困難です.

研究 の 目的:

• ヒストロジー画像のディープラーニングを使用して,SCLCのサブタイプ化とリスクの分層化のための新しい,資源効率的な方法を開発する.
• ヒストモルフォロジカルフェノタイプ (HIPO) を特定し,改善された予後のために再現可能な画像ベースのサブタイプ (HIPOS) を定義する.

主な方法:

• ヘマトキシリンとエオシン (H&E) で染めた全スライド画像 (WSI) を3つの病院の517人のSCLC患者から分析した.
• ハイブリッド・クラスタリングベースの無監督のディープ・レジメンテーション・ラーニング・モデルの開発で,HIPOを特定し,腫瘍の生態系を特徴づける.
• ヒストモルフォロジカルサブタイプ (HIPOS-IとHIPOS-II) の分層化は,コンセンサス・クラスタリングとディープ・ラーニング・システムを用いて,その後生存分析と多様相関研究が行われます.

主要な成果:

• 15種類のHIPOを特定し,HIPOプロファイルに基づいてSCLCをHIPOS-IとHIPOS-IIの2つの再現可能なサブタイプに分類した.
• HIPOS- Iは,既存の臨床的および分子的要因とは無関係に,HIPOS- IIと比較して,著しく優れた全生存率と無疾患生存率を示した.
• HIPOS- Iの腫瘍は免疫浸透と活性化が強化され,HIPOS- IIの腫瘍は線維症,細胞形,酸化代謝の変化を示した.
• HIPOS予測のための簡素化されたディープラーニングモデルが開発され,検証され,独立したコホートでの予後値が確認されました.

結論:

• ディープラーニングベースの組織形態学的サブタイプ化 (HIPOS) は,SCLCにおける患者層分化と予後予測の改善に重要な可能性を秘めている.
• HIPOSシステムは,通常のH&Eで染み付いたWSIを使用して,個別化されたSCLC管理のための有望で臨床的に適用可能なツールを提供します.