教师-学生合作多个实例学习的泛癌PDL1表达预测从组织病理学幻灯片

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 发现生物标志物的发现.

背景情况:

• 编程细胞死亡连接体1 (PDL1) 是一种通过免疫组织化学 (IHC) 量化的关键生物标志物.
• 由于瘤异质性和缺乏精确的空间注释,对PDL1表达的组织病理学评估面临挑战.
• 深度学习为自动化组织病理学分析提供了潜力.

研究的目的:

• 开发一种弱监督的深度学习模型,用于从血素和乙素 (H&E) 染色幻灯片中预测PDL1表达.
• 解决PDL1表达中的幻灯片内部异质性,使用新的教师-学生框架和时间组合蒸.
• 验证模型在各种固体瘤类型中的性能,并将预测与IHC结果相关联.

主要方法:

• 利用一种弱监督学习方法,将大量RNA测序数据与H&E图像结合起来.
• 将多个实例学习范式扩展为动态伪标签的教师-学生框架.
• 采用时间集合模型蒸来检索未标记的实例并处理异质性.
• 在20种固体瘤类型的12,299个幻灯片上评估了模型.

主要成果:

• 在9种瘤类型中,与已确定的PDL1生物标志物一起,在新鲜冷的样本中达到0.83的曲线下的加权平均面积 (AUC) 和在固定甲素的样本中达到0.74.
• 成功预测了PDL1表达模式,在20个独立的幻灯片上通过IHC验证.
• 证明了模型能够提供与PDL1表达相关的组织学见解的能力.

结论:

• 开发的深度学习方法有效地预测了使用弱监督学习的H&E幻灯片的PDL1表达.
• 这种方法克服了传统的IHC和注释要求的局限性,为生物标志物评估提供了一个可扩展的解决方案.
• 这项研究强调了深度学习在识别与分子变化相关的组织学模式方面的潜力,推进了计算病理学.