深度学习预测患者的结果和突变从消化肠道 stromal 瘤的数字化组织学幻灯片

科学领域:

• 数字病理学数字病理学
• 人工智能在瘤学中的应用
• 胃肠道 stromal 瘤 (GIST) 是一种疾病.

背景情况:

• 目前对GIST的风险评估依赖于AFIP/Miettinen分类,该分类使用线粒细胞计数,并且可能不一致.
• 对GIST突变的分子测试是昂贵和耗时的,这限制了其广泛使用.
• 改进的风险和分子预测方法对于定制GIST患者的辅助疗法至关重要.

研究的目的:

• 开发和验证深度学习 (DL) 模型,以使用数字化全幻灯片图像 (WSI) 预测GIST患者的结果和突变.
• 评估DL模型的性能与Miettinen分类和分子测试相比.
• 确定可预测GIST结果和突变的新型组织学标准.

主要方法:

• 深度学习模型在1233个GIST全幻灯片图像上受训,并在286个GIST的独立队列上进行验证.
• 模型预测了无复发的生存率,GIST风险分层以及特定的基因突变 (KIT,PDGFRA,野生类型).
• 用C指数进行生存预测和AUC用于突变预测来评估表现.

主要成果:

• DL模型实现了与Miettinen分类 (C指数在独立测试中为0.72) 相似的无复发生存预测.
• DL模型有效地将中等风险的GIST患者分为高/低风险组.
• 高AUC值用于预测KIT (0.76),PDGFRA (0.90) 和野生型 (0.55) 突变,对Imatinib耐药的PDGFRA exon18 D842V突变 (AUC 0.90) 进行了优异的预测.
• 通过DL模型分析确定了新的预测组织学标准.

结论:

• 应用于数字化WSI的深度学习模型可以准确预测GIST患者的结果和突变.
• DL为风险分层和分子分析的传统方法提供了一种可复制和潜在的成本效益替代方案.
• 这种方法有望改善量身定制的治疗方法,并在GIST管理中推进精密医学.