Pacpaint:一个基于组织学的深度学习模型揭示了胰腺腺癌的瘤内部广泛的分子异质性

科学领域:

• 计算病理学计算病理学
• 癌症基因组学 癌症基因组学
• 医学中的人工智能

背景情况:

• 胰腺腺癌 (PDAC) 呈现出具有预后意义的分子亚型 (古典/基础瘤,不活跃/活跃肌层).
• 目前用于亚型的RNA测序方法昂贵,不适合常规的临床实践.
• 了解PDAC异质性对于开发有效疗法至关重要.

研究的目的:

• 开发一个深度学习模型 (PACpAInt) 以快速准确地对PDAC分子亚型进行分类.
• 为了使从常规组织样本 (包括活检) 进行亚型化.
• 调查PDAC异质性及其对生存的影响.

主要方法:

• 开发PACpAInt,一个多步骤的深度学习模型.
• 在多中心队列 (n=202) 上进行培训,并在四个独立队列 (共n=598) 上进行验证.
• 在手术和活检样本上,将模型应用于整个幻灯片和层 (112微米方块).

主要成果:

• PACpAInt从手术和活检样本的整个幻灯片图像中准确地预测PDAC分子亚型.
• 该模型独立预测患者的生存率.
• 级分析揭示了新的混合和中间PDAC亚型及其与斯特罗玛的共同依赖性,重新定义了微异质性.

结论:

• PACpAInt提供了一种快速,具有成本效益的PDAC亚型分类方法,以促进临床应用.
• 该模型在古典病例中确定了侵略性的基底亚型存在,影响了生存率.
• PACpAInt提高了对PDAC进化和微异质性的理解,为个性化治疗策略铺平了道路.