深度学习在泛癌水平上整合了他的病理学和蛋白质基因组学

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
• 蛋白质组学是指蛋白质组学.

背景情况:

• 组织病理学对于癌症诊断至关重要.
• 整合多omics数据可以增强诊断能力.
• 目前的方法可能无法充分利用基因病理学幻灯片中的所有信息.

研究的目的:

• 开发一种综合方法,将组织病理学成像与转录组学和蛋白质组学结合起来.
• 确定与癌症临床结果相关的新型预测组织学特征.
• 创建一个分类系统,并探索这种综合方法的临床应用.

主要方法:

• 利用了来自6种癌症类型 (CPTAC) 的657名患者的2,755个H&E染色的组织病理幻灯片.
• 开发机器学习模型来分析成像和多omics数据.
• 使用癌症基因组图谱 (TCGA) 数据验证模型的概括性和解释性.
• 在公开可用的基于Web的平台上实施模型.

主要成果:

• 模型准确地区分了瘤与正常组织 (AUROC = 0.995) 和原始组织 (AUROC = 0.979).
• 确定了超出病理学家能力的任务的预测组织学特征,例如TP53预测和病理阶段.
• 发现了以前未知的预测形态.
• 使用转录组学和蛋白质组学数据,将组织学特征与通路级签名和细胞过程联系起来.

结论:

• 病理成像与转录组学和蛋白质组学的综合方法可以识别新的预测组织学特征.
• 这种方法提高了癌症的分类和预测临床结果.
• 开发的模型和拟议的分类系统具有潜在的临床应用,有一个可访问的网络平台.