在常规乳腺组织病理学幻灯片中,深度学习预测的转录性瘤内部异质性提供了独立的预后信息
相关实验视频
Updated: Jul 21, 2025
08:16
Comparative Lesions Analysis Through a Targeted Sequencing Approach
Published on: November 5, 2019
6.8K
Yinxi Wang1, Maya Alsheh Ali1, Johan Vallon-Christersson2
1Department of Medical Epidemiology and Biostatistics, Karolinska Institutet, Stockholm, Sweden.
European journal of cancer (Oxford, England : 1990)
|July 26, 2023
概括
一种新的深度学习方法,Deep-ITH,从乳腺癌整片图像中量化瘤内异质性 (ITH). 这种自动化方法预测了患者复发风险,提供了有价值的预后见解.
科学领域:
- 数字病理学数字病理学
- 计算生物学是一种计算生物学.
- 在瘤学瘤学.
背景情况:
- 瘤内部异质性 (ITH) 带来了重大诊断挑战,并增加了癌症中疾病复发的风险.
- 量化ITH是复杂的,并没有在大型研究中得到广泛的验证.
- 深度学习已经显示出从组织病理学全幻灯片图像 (WSIs) 预测分子表型的潜力.
研究的目的:
- 提出和评估一种新的深度学习方法,Deep-ITH,用于预测和测量乳腺癌中的ITH.
- 评估Deep-ITH在预测患者无复发生存的预后性能.
- 为了证明Deep-ITH方法在常规临床应用中的可扩展性和成本效益.
主要方法:
- 深层卷积神经网络被用来从WSIs空间预测基因表达 (PAM50集).
- 从训练数据集 (N=931) 中为每个预测成绩单提取了12个异质度.
- 使用弹性网调整的考克斯比例危险模型制定了预后得分,以根据无复发生存率将患者分为低风险和高风险组.
主要成果:
- 深度ITH高风险组在嵌套交叉验证中表现出明显增加的复发风险 (HR=2.11,p=0.007).
- 两个独立的数据集 (SöS-BC-1和SCAN-B-Lund) 证实了预测性表现,并观察到显著的危险比率.
- 亚组分析表明了各种患者亚组的预后价值,包括ER阳性,HER2阴性,3级和大型瘤亚组.
结论:
- 开发了一种新的,自动化的,可扩展的和成本效益高的方法 (Deep-ITH) 来从WSIs测量ITH.
- 深度ITH为乳腺癌患者提供了独立的预后价值.
- 使用深度学习预测转录性ITH,可以从常规组织病理学WSIs中预测患者的存活率.
