从基于ESR1信号活动的H&E染色来确定深度学习支持的乳腺癌内分泌反应,基于ESR1信号活动
Chun Wai Ng1, Kwong-Kwok Wong2
1Department of Gynecologic Oncology and Reproductive Medicine, Unit 1362, The University of Texas MD Anderson Cancer Center, 1515 Holcombe Blvd, Houston, TX, 77030, USA.
Scientific reports
|December 5, 2023
概括
深度学习模型可以从H&E染色乳腺癌图像中预测雌激素受体 (ER) 信号活动和患者预后,改善内分泌治疗选择并降低诊断成本.
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:
- 雌激素受体 (ER) 阳性是乳腺癌内分泌治疗的关键标准.
- ER阳性可能不准确地反映ER信号活动,这是治疗反应的更好的预测指标.
- 需要新的方法来评估超出免疫组织化学范围的ER信号活动.
研究的目的:
- 研究H&E染色全幻灯片图像上的深度学习的潜力,以预测ER信号活动.
- 评估预测的ER信号活动是否与患者的预后和内分泌治疗反应相关.
主要方法:
- ER信号活动得分来自1082个TCGA乳腺癌样本的RNAseq数据.
- 通过使用H&E图像和ER信号得分来训练ResNet101深度学习模型.
- 该模型在一个独立的测试队列上得到验证,以预测ER活动和生存率.
主要成果:
- 在ER+/HER2-乳腺癌患者中,更高的预测ER活性得分与更长的无进展生存时间相关 (p=0.0368).
- 深度学习模型在ER+/HER2患者的预后中进行了可靠的预测.
- 该方法成功预测了预后,而不需要复杂的RNA-seq或微阵列分析.
结论:
- 卷积深度神经网络可以使用H&E图像预测乳腺癌预后和内分泌治疗反应.
- 这种方法为评估ER信号活动和患者结果提供了一种经济有效的替代方案.
- 这些发现支持使用H&E图像上的深度学习来改善乳腺癌患者的管理.
