基于深度学习的胃癌组织学亚型预测临床结果:一个多机构的回顾性研究

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 在瘤学瘤学.

背景情况:

• 劳伦分类是胃癌 (GC) 组织学标准,但受到观察者之间的变化和争论的预后价值的影响.
• 深度学习 (DL) 提供了一种新的方法来分析血素和素 (H&E) 染色的幻灯片,可能为GC评估添加临床相关信息.

研究的目的:

• 开发和验证基于DL的分类器,用于使用H&E染色组织切片进行GC组织学亚型化.
• 评估基于DL的组织学类型的预后效用,以预测患者的生存率.

主要方法:

• 一个二进制DL分类器被训练在肠道和扩散型GC的整个幻灯片图像从癌症基因组图谱 (TCGA) 队列.
• 该模型在独立的欧洲和日本GC患者队列上进行了外部验证.
• 用AUROC (接收器操作特征曲线下的区域) 评估分类性能,并使用Cox比例危险模型和卡普兰-梅尔曲线评估预后值.

主要成果:

• DL分类器实现了0.93 ± 0.07的高内部验证AUROC.
• 外部验证表明,基于DL的组织学类型化显著改善了GC患者存活分层,与基于病理学家的Laurén分类相比,对所有终点进行了外部验证.
• 基于DL的类型显示了统计学上显著的生存分层,即使与病理学家分类相结合.

结论:

• DL技术可以有效地分类胃腺癌,使用病理学家的劳伦分类作为基本真理.
• 基于DL的组织学类型化表明,与专家病理学家类型化相比,患者存活率分层优越.
• 基于DL的GC组织学类型化具有作为辅助工具的潜力,需要进一步调查其潜在的生物机制.