在直肠癌活检中基于图像的共识分子亚型化和对新辅助化学放射治疗的反应

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 基因组学就是基因组学.

背景情况:

• 深度学习 (DL) 模型提供了一种有希望的,具有成本效益的方法,用于从组织病理学图像 (imCMS) 预测共识分子亚型 (CMS),帮助患者分层.
• 从治疗前的直肠癌 (RC) 活检中预测imCMS可以确定在新辅助化疗放射治疗 (LCRT) 后实现病理完整反应 (pCR) 的患者.

研究的目的:

• 调查从RC治疗前活检和pCR的全幻灯片组织病理学图像 (WSIs) 来得出的imCMS分类与新辅助LCRT之间的关联.
• 评估DL模型在预测WSIs中的CMS方面的表现,以及它们与治疗反应的相关性.

主要方法:

• DL模型在结直肠癌样本的多中心数据集 (n=1057 WSIs) 上接受了训练,并配对了转录数据,以将WSIs分为四个CMS类.
• 分类器在独立的RC活检队列 (ARISTOTLE) 上得到验证,并在合并的RC队列 (ARISTOTLE,SALZBURG) 中与pCR相关联.

主要成果:

• 对于CMS预测,DL模型实现了高分类性能.
• imCMS1分类与pCR更高的可能性显著相关 (OR=2.69,p=0.048),而imCMS4与pCR缺乏相关 (OR=0.25,p=0.031).
• 分类地图揭示了imCMS4和高 stromal 含量之间的病理学家可解释的关联,与糟糕的结果有关. 对于imCMS2或imCMS3.3,没有发现任何显著的关联.

结论:

• 治疗前活检的imCMS分类提供了一种快速而廉价的方法来识别可能受益于新辅助LCRT的患者群体.
• imCMS1和imCMS4与pCR的显著关联表明存在预测性形态特征,可以增强标准的病理评估.