预测胃癌瘤从基因病理图像的突变负担,使用多式模式深度学习
Jing Li1,2, Haiyan Liu3, Wei Liu4
1School of Mathematics and Statistics, Hainan Normal University, Haikou 571158, China.
Briefings in functional genomics
|August 1, 2023
概括
在胃癌中预测瘤突变负担 (TMB) 对免疫治疗至关重要. 这项研究表明,基因病理图像和多式深度学习可以准确预测TMB,改善患者选择治疗.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 医疗成像医学成像
背景情况:
- 瘤突变负担 (TMB) 是预测免疫检查点抑制剂反应的关键生物标志物.
- 目前的TMB测量方法,如整体外基因组测序是昂贵和耗时的.
- 需要更容易获得和更有效的TMB预测方法.
研究的目的:
- 研究TMB与胃癌中的临床病理学,基因表达和组织病理学图像特征之间的关系.
- 开发和评估深度学习模型,以利用基因病理图像和多式联络数据预测TMB水平.
- 评估使用数字病理学和omics数据用于TMB预测的可行性.
主要方法:
- 从癌症基因组图谱下载了326名胃癌患者的多式数据 (组织病理图像,临床和分子数据).
- 从血素和色染色的基因病理图像中提取图像特征.
- 开发了一种基于ResNet的深度学习模型用于图像分析,以及结合图像和omics数据的多式联络融合模型.
主要成果:
- 仅仅通过对组织病理图像的分析,就实现了TMB预测的曲线下面面积 (AUC) 0.749.
- 多式融合深度学习模型显著优于仅图像模型,达到0.971.97的最高AUC.
- 这些发现表明了整合成像和omics数据的潜力,以准确评估TMB.
结论:
- 组织病理学图像可以以合理的准确度预测胃癌中的TMB水平.
- 集成成像和omics数据的多式深度学习模型为TMB预测提供了卓越的准确性.
- 这种方法为改善TMB评估和免疫治疗患者分层提供了一个有希望的途径.
