基于病理图像的机器学习的新型免疫分类可以预测肝细胞癌的早期复发

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 计算生物学 计算生物学

背景情况:

• 瘤微环境 (TME) 中的免疫透对于肝细胞癌 (HCC) 的发展和进展至关重要.
• 在病理图像上的机器学习提供了一种在细胞水平上分析TME的方法.
• 之前的工作适应了卷积神经网络 (CNN) 以在病理图像中准确识别细胞.

研究的目的:

• 根据经过修改的CNN模型,为HCC引入一种新的免疫分类系统.
• 开发一种预后模型,用于预测HCC的早期复发.
• 探索免疫细胞透和HCC中的临床/TME特征之间的关系.

主要方法:

• 在病理图像中使用修改后的CNN模型进行细胞识别.
• 包括来自北京医院和癌症基因组图谱 (TCGA) 数据库的HCC患者.
• 应用LASSO和后勤回归用于预后模型的开发,根据中位数淋巴细胞百分比对患者进行分类.

主要成果:

• 建立了一个基于淋巴细胞透率的新型免疫分类系统.
• 确定了高透和低透亚型的独特临床特征和TME特征.
• 开发了一种具有高预测准确度的预后模型 (AUC 0.918培训,0.814测试) 用于早期HCC复发.

结论:

• 提出了一种针对HCC的新型免疫分类系统,利用病理切片的细胞信息.
• 这个系统作为一个有价值的工具,用于HCC的预后评估.
• 这项研究强调了免疫细胞透在HCC进展和患者结局中的重要性.