深度学习框架用于三阴性乳腺癌的综合分子和预后分层

科学领域:

• 计算病理学计算病理学
• 在瘤学瘤学.
• 医学中的人工智能.

背景情况:

• 由于其异质性,三阴性乳腺癌 (TNBC) 存在重大治疗挑战.
• 对TNBC进行全面的分子测试是复杂的,并且很难在临床上实施.
• 病理整体幻灯片图像 (WSIs) 包含与TNBC生物学相关的丰富形态信息.

研究的目的:

• 开发和验证一个深度学习框架,用于直接从WSIs预测TNBC分子特征,亚型和预后.
• 通过利用人工智能对组织病理学数据的利用,克服当前分子测试的局限性.
• 为全面的TNBC患者分层和治疗决策提供一个工具.

主要方法:

• 一个多omics TNBC队列 (N=425) 被用来训练一个深度学习框架.
• 该框架采用了两阶段的神经网络方法:组织分解和目标预测.
• 多omics数据包括突变,拷贝数变化,途径活动和免疫疗法生物标志物.

主要成果:

• 该框架准确预测了PIK3CA突变 (AUC:0.78),BRCA2突变 (AUC:0.79) 和PD-L1表达 (AUC:0.74) 等关键分子特征.
• 它确定了具有高AUC (0.73-0.93) 的TNBC分子亚型,揭示了不同的形态模式.
• 一个单独的神经网络整合了图像特征和临床数据,以根据生存率对患者进行分层 (日志等级P < 0.001).

结论:

• 对WSIs的深度学习分析可以全面分层TNBC患者.
• 该框架提供了有价值的分子和预后信息,有助于治疗决策.
• 一个在线平台可以实现临床翻译,促进个性化的TNBC管理.