通过病理学和机器学习来预测CDKN2A在头部和部状细胞癌中的预后值

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:

• 头部和部状细胞癌 (HNSCC) 的预后仍然具有挑战性.
• 准确评估基因表达,如CDKN2A,对于患者的结果至关重要.
• 传统的基因表达分析方法可能具有侵入性和成本.

研究的目的:

• 开发一种人工智能驱动的病理学框架,用于分析HNSCC中的CDKN2A基因表达.
• 为了将CDKN2A表达水平与患者的生存率和预后相关联.
• 用计算病理学来确定CDKN2A作为可靠的预后标记.

主要方法:

• 从癌症基因组图谱 (TCGA) 数据库中利用了475例HNSCC病例.
• 在从病理学幻灯片中提取的465个特征上使用渐变增强机 (GBM) 开发了一个AI病理学模型.
• 验证了模型的预测准确性和途径关联,包括组织微阵列确认.

主要成果:

• 较高的CDKN2A表达显著与改善的中位数整体存活率相关 (66.73个月与42.97个月,p=0.013).
• 人工智能病理学模型显示出高预测准确度 (训练AUC:0.806;验证AUC:0.710).
• 较高的Pathomics分数与细胞循环激活通路密切相关.

结论:

• CDKN2A是HNSCC的显著预后标志物,表达更高表明更好的生存率.
• 人工智能驱动的病理学分析提供了一种准确有效的方法来评估基因表达和预测预后.
• 这种创新方法为HNSCC的个性化瘤学提供了具有成本效益的,非侵入性的替代方案.