组织病理学基于图像的深度学习预测小细胞肺癌的预后和治疗反应
Yibo Zhang1,2, Zijian Yang2, Ruanqi Chen1
1Department of Pathology, National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, 100021, P. R. China.
NPJ digital medicine
|January 18, 2024
概括
这项研究介绍了PathoSig,这是一种新的深度学习工具,使用组织病理学图像来预测小细胞肺癌 (SCLC) 的预后和治疗反应. 帕托西格改善了整体和无疾病生存的风险分层,有助于个性化SCLC治疗决策.
科学领域:
- 在瘤学瘤学.
- 数字病理学数字病理学
- 人工智能的人工智能
背景情况:
- 小细胞肺癌 (SCLC) 是一种具有不良预后的侵袭性恶性瘤.
- 准确的预后预测和治疗反应评估对于SCLC患者管理至关重要.
- 目前的预后工具,如TNM分期在SCLC有局限性.
研究的目的:
- 开发和验证一种新的病理学签名 (PathoSig) 用于在SCLC的预后预测,使用对组织病理学图像的深度学习.
- 评估PathoSig对整体生存期 (OS) 和无病生存期 (DFS) 风险分层的能力.
- 评估PathoSig在预测化学放射治疗反应及其超出现有分期系统的表现方面的实用性.
主要方法:
- 深度学习分析血素和 (H&E) 染色的SCLC组织病理学图像.
- 进行对比集群,以识别50个组织形态表型集群 (HPC) 作为病态特征.
- 考克斯回归建模将预后HPC整合到病理学签名 (PathoSig) 中.
- 在独立的多中心队列中验证.
主要成果:
- 确定了两个具有显著预后价值的HPC.
- 在SCLC患者中,PathoSig显示了OS和DFS的显著风险分层.
- 帕托西格成功地确定了可能受益于手术前或手术后化疗和放射治疗的患者.
- 在多个独立的队列中验证了PathoSig的预测性能.
- 帕索西格提供了补充TNM分期和分子亚型的预后信息.
结论:
- 对组织病理学图像的深度学习分析具有很大的潜力,可以改善SCLC的预后预测.
- 帕托西格是风险分层和预测SCLC治疗反应的有效工具.
- 病理标志可以帮助临床医生为个性化SCLC治疗策略做出明智的决定.
