基因病理图像和多omics数据的综合模型预测子宫内膜癌的预后

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 生物信息学是一种生物信息学.

背景情况:

• 子宫内膜癌 (EC) 构成了重大的健康挑战,需要改进的预后工具.
• 目前EC的预后模型通常在预测患者的结果方面缺乏准确性.

研究的目的:

• 开发和验证使用组织病理成像特征 (HIF) 的子宫内膜癌 (EC) 的预后模型.
• 评估HIF在预测EC患者的整体存活时间 (OS) 中的表现.
• 评估将HIF与多维omics数据集成的附加值,以提高生存预测.

主要方法:

• 从癌症基因组图谱 (TCGA) 队列中对组织病理学图像特征的定量分析.
• 开发一个用于OS预测的随机森林模型,使用交叉验证进行验证.
• 在独立测试组上使用时间依赖的接收器操作特征 (AUC) 评估模型性能.

主要成果:

• 基于HIF的预测模型在试验组中达到0.803的5年AUC.
• 将基因病理学与奥米克数据结合起来,与单独的基因组学,转录组学或蛋白质组学相比,显示出更高的性能.
• 整合HIF和多维omics数据产生了最高的AUC (0.866,0.869,0.856在1,3年和5年) 与显著的生存差异 (HR = 18.347,p < 0.001).

结论:

• 组织病理成像特征 (HIF) 显著提高了子宫内膜癌 (EC) 患者的预后性能.
• 将HIF与多维奥米克数据集成为改善EC临床实践中的生存预测和风险分层提供了一个有希望的方法.