一个深度学习工作流程,从H&E幻灯片中预测基于蛋白质的上道泌尿道癌亚型,支持对患者进行分子测试的优先排序

科学领域:

• 泌尿器细胞癌的癌症.
• 计算病理学计算病理学
• 在瘤学中使用人工智能

背景情况:

• 与膀癌相比,上道泌尿道癌 (UTUC) 是一种罕见的,侵略性的,研究不足的癌症.
• 膀癌中的分子亚型与向疗法相关,但UTUC的亚型仍然不清楚.
• 人工智能 (AI) 具有澄清UTUC生物学和提高有针对性的治疗可访问性的潜力.

研究的目的:

• 为了确定以蛋白质为基础的UTUC亚型.
• 开发一个深度学习 (DL) 工作流程,直接从H&E基因病理学幻灯片预测UTUC亚型.
• 评估DL预测的亚型与临床和分子特征的关联.

主要方法:

• 在163个UTUC瘤中,使用免疫组织化学标记物 (FOXA1,GATA3,CK20,CD44,CK5,CK14) 的等级分类来分配基于蛋白质的亚型.
• 在H&E幻灯片上使用转移学习方法训练了一个深度学习模型 (ResNet50).
• 用交叉验证评估模型性能,并分析了与形态,PD-L1和FGFR3状态的关联.

主要成果:

• 确定了明显的光线 (N=80) 和基底 (N=42) UTUC亚型,与明显的形态特征相关.
• DL工作流实现了良好的分类性能 (平均AUCs~0.8).
• 高可信度DL预测与瘤形态,PD-L1表达 (基底亚型) 和FGFR3突变 (光线亚型) 有意义地相关.

结论:

• 一个DL工作流可以从常规的H&E幻灯片准确地预测UTUC基于蛋白质的亚型.
• 这些预测的亚型与关键的临床和分子特征相关,包括治疗的潜在目标.
• 这种人工智能方法可能会为UTUC患者提供更广泛的个性化治疗.