ディープラーニング駆動の全スライド画像解析は,筋肉侵襲性膀がんにおける化学抵抗性および運動性のサブタイプを予測する
Il-San Jeong1,2,3, Jee-Woo Seo2,3, Seung-Jin Park2
1Division of Bio & Medical Bigdata Department (Brain Korea 21 Four), Gyeongsang National University, 52828, Jinju, Republic of Korea.
Genes & genomics
|September 4, 2025
まとめ
完全なスライド画像 (WSIs) によるディープラーニングは,筋肉侵襲性膀がん (MIBC) の化学抵抗性サブタイプを予測することができます. この費用対効果の高い方法では ヒト組織を分析してサブタイプを特定し 精密腫瘍学における患者の層分化を助けます
科学分野:
- デジタル病理学
- コンピュータによる腫瘍学
- ガンゲノミクス
背景:
- 筋肉侵襲性膀がん (MIBC) は攻撃的で異質で,治療への反応は変動します.
- 化学抵抗運動性 (CrM) シグネチャーのような分子分類は価値がありますが,高価で組織密集的です.
- 臨床応用には 拡張可能な代替方法が必要です
研究 の 目的:
- 全スライド画像 (WSIs) のディープラーニングでMIBCのCrMサブタイプを予測できるかどうかを評価する.
- WSIベースのディープラーニングが腫瘍マイクロ環境 (TME) の特性を反映しているかどうかを判断する.
- MIBCにおける分子プロファイルの費用対効果の高い代替品を探求する.
主な方法:
- 152人のTCGA- BLCA患者の192人のWSIを分析した.
- パッチレベルの組織分類のために,事前に訓練されたディープラーニングモデル (densenet169-kather100k) を利用した.
- SAMとDNTの比率を導き, ランダムな森林モデルでCrMのサブタイプを予測した.
主要な成果:
- WSI-derived SAM-to-DNT比はCrMスコア (R=0.453) とTMEスコアと正に相関していた.
- ランダムフォレストモデルは,CrMサブタイプを分類する際に0.75のバランスされた精度を達成しました.
- 脂肪 (ADI) と腫瘍上皮 (TUM) は,CrMの状態を予測する重要な特徴でした.
結論:
- ルーティンWSIのディープラーニングは,MIBCの分子プロファイリングの実践的で低コストな代替手段を提供します.
- このWSIベースのアプローチは,化学抵抗に関連したトランスクリプトミックのサブタイプを効果的に捕捉します.
- 患者の分層化を可能にし,将来の多様式精密腫瘍学をサポートします.
