利用组织学图像所描绘的TME,通过深度学习系统来改善癌症预后

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 空间转录学 (ST) 提供了对瘤微环境 (TME) 和其与癌症预后的联系的关键见解.
• 由于技术和可访问性限制,ST的临床应用是有限的.
• 准确的TME表征对于精确的癌症结局预测至关重要.

研究的目的:

• 开发一个深度学习系统,从缺乏ST数据的患者的标准组织学图像中推断TME信息.
• 通过利用增强的TME数据,提高癌症预后的准确性.
• 为临床实用性弥合组织学数据和功能基因组洞察力之间的差距.

主要方法:

• 开发了一种集成图形和图像深度学习 (IGI-DL) 模型,以从组织学图像中预测ST基因表达.
• 使用从预测的空间基因表达得出的TME特征构建了癌症预后预测模型.
• 这些模型在癌症基因组图谱 (TCGA) 乳腺和结直肠癌队列以及外部结直肠癌队列上得到了验证.

主要成果:

• 与现有方法相比,IGI-DL模型在预测ST表达方面显著改善,显示三种癌症类型的平均相关性增加了0.171.
• 开发的生存模型在癌症预后方面取得了卓越的准确性,一致性指数为0.747 (TCGA乳腺癌) 和0.725 (TCGA结直肠癌).
• 生存模型在独立的外部结直肠癌队列上保持了预测优势,证实了它的稳定性.

结论:

• 深度学习系统有效地从组织学图像中增加TME信息,克服ST数据的局限性.
• 这种方法显著提高了癌症预后预测的准确性.
• 开发的系统通过整合成像和基因组数据,有望在精密瘤学中获得更广泛的临床应用.