从常规组织学图像中预测癌症药物敏感性

科学领域:

• 计算生物学 计算生物学
• 数字病理学数字病理学
• 在瘤学瘤学.

背景情况:

• 药物敏感性预测对于个性化癌症治疗至关重要,但通常依赖于昂贵的临床试验数据.
• 现有的模型面临着挑战,因为获得生存数据所需的时间和成本.

研究的目的:

• 展示使用深度学习来将整个幻灯片图像 (WSIs) 中的组织学模式与药物敏感性联系起来的可行性.
• 开发一种模型,直接从例行染色乳腺癌部分中预测患者的药物敏感性.

主要方法:

• 利用了从癌症细胞系的基因表达数据中归因的针对患者的药物敏感性.
• 训练了一个深度学习模型来预测WSIs的药物敏感性概况.
• 采用H&E染色乳腺癌部分的组织学图案作为输入特征.

主要成果:

• 成功地将WSIs中的组织学模式与药物敏感性联系起来.
• 使用常规WSIs,证明了预测患者对多种已批准和实验药物的敏感性的能力.
• 确定了与药物敏感性概况相关的特定细胞和组织学模式.

结论:

• 常规的整片图像可以用来预测癌症患者的药物敏感性概况.
• 深度学习为瘤学中药物敏感性预测提供了一种新的,具有成本效益的方法.
• 这种方法有可能用于生物标志物发现和个性化癌症治疗策略.