预测前列腺癌分子亚型,使用对基因病理图像的深度学习

科学领域:

• 计算病理学计算病理学
• 基因组医学是一种基因组医学.
• 人工智能在瘤学中的应用

背景情况:

• 前列腺癌的形态特征缺乏与分子变化的可重现的关联.
• 染色为血氧和欧 (H&E) 的整片图像 (WSI) 为深度学习算法提供了潜在的潜力,以检测基因组变化.

研究的目的:

• 开发和验证深度学习算法,用于识别与ETS相关基因 (ERG) 融合或PTEN删除的前列腺瘤,使用H&E染色的WSI.
• 评估这些算法在预测基因组状况方面在激进前列腺切除和针活检队伍中的表现.

主要方法:

• 基于变压器的新型层次架构用于自动瘤识别,特征表示学习,分类和可解释性地图生成.
• 从已知ERG/PTEN状态的激进前列腺切除队列中,两种不同的基于视觉变压器的网络和基于变压器的分类器在WSI上接受了训练.
• 在多个独立的激进前列腺切除和针活检队伍中验证了算法性能.

主要成果:

• 在验证队列中,ERG算法表现出强的性能,AUC在激进前列腺切除术中从0.86到0.91,在针活检中从0.78到0.80.
• 该PTEN算法实现AUC从0.72到0.81的激进前列腺切除和0.75针活检 (专注于均的PTEN状态).
• 对于异质PTEN损失,算法的预测PTEN损失百分比与免疫组织化学有显著的相关性 (r=0.58,P=0.0097).

结论:

• 深度学习算法可以准确地预测H&E染色WSI的前列腺癌中的ERG融合和PTEN删除.
• 这些算法显示了对临床相关基因组改变的非侵入性查的潜力.
• 由人工智能分析的H&E图像可以作为一种工具,用于识别前列腺癌中潜在的基因组变化.